基于LMD与神经网络的滚动轴承故障诊断方法
2022-03-14
来源:爱问旅游网
振动与冲击 第29卷第8期 JOURNAL OF VIBRATION AND SHOCK 基于LMD与神经网络的滚动轴承故障诊断方法 程军圣,史美丽,杨宇 (湖南大学汽车车身先进设计制造国家重点实验室,长沙410082) 摘 要:针对滚动轴承的故障振动信号的非平稳特性,提出了一种基于局部均值分解(Local mean decomposition, 简称LMD)和神经网络的滚动轴承诊断方法。该方法首先对信号进行局部均值分解,将其分解为若干个PF分量(Product function,简称PF)之和,再选取包含主要故障信息的PF分量进行进一步分析,从这些分量中提取时域统计量和能量等特 征参数作为神经网络的输入参数来识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障和外圈故障的分析, 表明了基于LMD与神经网络的诊断方法比基于小波包分析与神经网络的诊断方法有更高的故障识别率,同时也证明了 该方法可以准确、有效地对滚动轴承的工作状态和故障类型进行分类。 关键词:滚动轴承;LMD;神经网络;故障诊断;特征参数 中图分类号:TH115 文献标识码:A 在滚动轴承故障诊断中,故障特征信息的选择和 信号分解为若干个PF(Product function,简称PF)分量 提取一直是诊断的关键,它直接影响到故障诊断结果 之和。其中每一个PF分量由一个包络信号和一个纯 的准确性。滚动轴承故障振动信号大都为非平稳信 调频信号相乘而得到,将所有PF分量的瞬时幅值和瞬 号,因此在故障诊断过程中有必要采用适合于处理非 时频率组合便可以得到原始信号完整的时频分布。对 平稳信号的特征提取方法。由于时频分析方法能同时 其进行分析可以更准确有效的把握原始信号特征信 提供振动信号在时域和频域的局部化信息而在滚动轴 息。当滚动轴承发生故障时,局部损伤的滚动轴承元 承故障诊断中得到了广泛的应用¨ 。常见的时频分 件在旋转过程中产生脉动时引起的高频冲击振动不但 析方法有Wigner分布、短时傅里叶变换、小波变换等, 会激起各个元件的固有频率振动,而且各个固有频率 这些分析方法都有各自的局限性。如Wigner分布对多 振动的幅值和频率还会受到脉动激发力的调制,而各 分量信号进行分析时会产生交叉项 J,短时傅里叶变 个机械元件又有各自的固有频率,这说明滚动轴承故 换的时频窗口大小是固定不变的 J,小波变换虽然具 障振动信号具有多载波多调制的特性,是一种多分量 有可变的时频窗口E6],但是和短时傅里叶变换一样是 的复杂的调幅一调频信号,因此,为了提取出滚动轴承 对时频平面的机械格型分割,本质上它不是一种自适 故障振动信号的故障特征,解调是一种有效的分析方 应的信号处理方法。EMD(Empirical mode decomposi— 法。LMD方法可以将复杂的多分量调幅一调频信号自 tion,简称EMD)是一种自适应的信号处理方法,它将复 适应分解成单分量的调幅一调频信号,分解得到的PF 杂的多分量信号自适应地分解为若干个IMF(Intrinsic 分量很好的保持了原始信号的幅值和频率变换,可见 mode function,简称IMF)分量之和,进一步对每个IMF LMD方法非常适合处理多分量的调幅一调频信号。 分量进行Hilben变换求出瞬时频率和瞬时幅值,从而 本文拟将LMD方法与BP神经网络结合起来,对 得到原始信号完整的时频分布 .8 J。EMD方法自提出 滚动轴承进行故障诊断。采用LMD方法将滚动轴承 后在机械故障诊断等很多领域都得到了应用 ¨,但 振动信号进行分解,得到若干个单分量的调幅一调频 是在理论上还存在一些问题,如EMD方法中的过包 信号,进一步对提取这些单分量信号的偏度系数、峭度 络、欠包络 ]、模态混淆 ]、端点效应 H]、IMF判据 ] 系数以及能量等特征向量作为神经网络的输人参数, 和没有快速算法等问题,还有在利用Hilben变换形成 采用神经网络的输出对滚动轴承的工作状态和故障类 解析信号后计算瞬时频率时会产生无法解释的负频 型进行分类。为了验证LMD方法的优越性,本文将 率¨ ,这些问题仍然处在研究当中。 LMD方法与小波包分析方法进行了比较,即对原始信 最近,Jonathan S.Smith提出了一种新的自适应时 号进行小波包分解,对分解重构后的时间序列也提取 频分析方法——局部均值分解(Lockal mean decomposi— 相应的特征参数,输入相同网络进行训练,用来识别滚 tion,简称LMD)方法。LMD方法将一个复杂的多分量 动轴承的工作状态和故障类型。实验结果表明,基于 LMD的神经网络方法有更高的网络识别率。 基金项目:国家自然科学基金资助项目(50775068)和湖南省博士后科 学基金(2008RS4004) 1 LMD方法 收稿日期:2009—04—27修改稿收到日期:2009—07—24 第一作者程军圣男,博士,教授,博士生导师,1968年生 LMD方法从本质上讲LMD方法本质上是从原始 信号中分离出纯调频信号和包络信号,将纯调频信号 142 振动与冲击 2010年第29卷 和包络信号相乘便可以得到一个瞬时频率具有物理意 义的PF分量,循环处理至所有的PF分量分离出来,便 PF (t)=。 (z)5 (z) (9) 它包含了原始信号中最高的频率成分,是一个单 可以得到原始信号的时频分布。对于任意信号 (t), 其分解过程如下¨ 。 (1)确定原始信号 (t)所有的局部极值点 计 算相邻两个极值点n 和/2 的平均值m ,即: m = m =—— 一 (1)l, 分量的调幅一调频信号,其瞬时幅值就是包络信号 a (t),其瞬时频率 (t)则可由纯调频信号s。 (t)求 出,即: ): 1 11。 (1 (10) (7)将第一个PF分量PF (t)从原始信号 (t)中 将所有相邻两个极值点的平均值m 用直线连接,然后 分离出来,得到一个新的信号 (t),将“ (t)作为原始 采用移动平均方法进行平滑处理,得到局部均值函数 mI1( )。 (2)采用局部极值点 。计算包络估计值。 : 。 = 0 ———— —一 (2)z 同样,将所有相邻两个包络估计值a 用直线连接,然后 采用移动平均方法进行平滑处理,得到包络估计函数 a11(t)。 (3)将局部均值函数m (t)从原始信号 (t)中分 离出来,得到: hII(t)= (t)一mil(t) (3) (4)用h (t)除以包络估计函数口 (t)以对 h (t)进行解调,得到: S11(t)=hl1(t)/a 1(t) (4) 理想地,8 (t)是一个纯调频信号,即它的包络估 计函数a :(t)满足a :(t)=1。如果S (t)不满足该条 件,则将S (t)作为原始数据重复以上迭代过程,直到 得到一个纯调频信号S (t),即S (t)满足一1 s s (t) 1,它的包络估计函数0 … )(t)满足0 川(t):1。 因此,有 h11(t)= (t)一m11(t) )=Sll( )一m z( ) (5) h1 (t):S 川(t)一ml (t) 式中: s11(t)=h11(t)/a1l(t) s ( )= )/。 ( ) (6) S1 (z)=hl (t)/al (t) 迭代终止的条件为: lima1 (t):I (7) 在实际应用中,可以设定一个变动量△,当满足1一△s a, (t) 1+△时,迭代终止。 (5)把迭代过程中产生的所有包络估计函数相乘 便可以得到包络信号(瞬时幅值函数) /l Ⅱ。(t)=n1 (t)0 2(t)…Ⅱ1 (t):lq=l IⅡ1 (t)(8) (6)将包络信号a (t)和纯调频信号S (t)相乘 便可以得到原始信号的第一个PF分量: 数据重复以上步骤,循环k次,直到u 为一个单调函数 为IE M1(t)= ( )一PF1( ) 2(t)=u1(t)一PF2(t) , ,、 11, u (t)=u㈦( )一PF (t) 至此,将原始 (t)分解为k个PF分量和一个单调 函数/2 之和,即: (t)= PF (t)+u (t) (12) 口 将所有PF分量的瞬时幅值和瞬时频率组合便可 以得到原始信号 (t)完整的时频分布。 图I为滚动轴承外圈有故障时的振动加速度动信 号。对其进行LMD分解结果如图2所示,其中设定变 动量△=10~。于是,多分量的复杂的调幅一调频信号 被分解为单分量的调幅一调频信号,分解后的各个PF 分量与信号中相应的成分有相应的对应关系,即各个 分量反映了信号中存在的不同的特征成分,因此LMD 是一种自适应的信号分解法,其每一个PF分量都具有 物理意义,反映了原始信号的真实信息,图2中U (t) 为余量,其能量很小。 抽 、2O厂——————————■————————————] 垂 o M N I2咕— T一百 1 — 了 — 兰 [二=2【--...--..-—--J..-- ....--—-t=-—...=.--=-.--=- —=-.-- -—--- ..】-.-——--・.----—L-=-・・—=-----=.-.I=二刁・・ -------・・-J-----—---・---l—・-・--・---—-|-・-----J O O 1 0 2 0.3 0.4 0.5 O.6 0.7 0,8 0,9 1 ,/s 图2具有外圈故障的滚动轴承故障振动信号的LMD分解结果 Fig.2 The local mean decomposition results of roller beating with out race fault 第8期 程军圣等:基于LMD与神经网络的滚动轴承故障诊断方法 l43 2基于LMD和神经网络的滚动轴承故障诊断 偏度系数和峭度系数是信号时间数列分布特性的 数值统计量,如果滚动轴承发生故障,数据的分布特性 便发生变化。故障振动信号与正常系统的振动信号相 比.相同的频带内信号的能量会有较大的差别,故障振 动信号的能量在某些频带内会减少,而在另外一些频 带内会增加。因此,在信号各个频率成分的能量中包 含着丰富的故障信息,综合以上因素,本文采用各PF 分量的能量、偏度系数和峭度系数等特征参数作为神 经网络的输人参数,从而可有效地对滚动轴承工作状 态进行分类。基于LMD和神经网络的滚动轴承故障 诊断方法框图如图3所示。 振 动 LMD 特征 神经 故障 信 ——分 ——● 向量 网络 模式 号 ● 解 提取 训练 分类 层 层 图3 基于LMD和神经网络的滚动轴承故障诊断框图 Fig.3 Frame of roller bearing fault diagnosis based Off LMD and neural network (1)按一定的采样频率 分别对滚动轴承的三种 状态(正常、外圈故障、内圈故障)进行Ⅳ次采样,得到 3N个样本; (2)对原始信号进行LMD分解,得到各个PF 分量; (3)由于滚动轴承故障振动信号的信息主要包含 在高频段,因此选择前m个高频段的PF分量进一步分 析,并从中提取故障特征信息。求前m个PF分量偏度 系数g 、峭度系数g 和总能量E ,其中i=1,2,…, 表示第i个PF分量; = 耋[ ] = , gi2= r, = V 耋[ 】4(14 E :I 『PF ( )』 dt (15) (4)元素构造特征向量 为: T=[g11,g12,g21,g22,…,g m1,g 2,El,E2,…,E ]f 16) 考虑到能量数值往往较大,为便于分析与处理,对 向量进行归一化处理。 令: E (∑ l ) (17) 则 T =[g11,g12,g2l,g22,…,g l,g 2, EI/E,E2/E。…,Em/E\ 018 特征向量 即为归一化后的向量。 (5)将前m个PF分量的特征向量 为神经网络 的输入,以正常状态、外圈故障、内圈故障3种模式作 为网络输出,确定网络结构,对网络进行训练; (6)用训练好的网络对测试样本进行分类识别。 3 实验结果 本次实测的轴承为6307E型深沟球滚动轴承,实 验时轴的转频为680 rpm,Hz,采样频率为4 096 Hz,振 动信号由安装在轴承座上的加速度传感器来拾取。故 障是通过激光切割在内圈或外圈上开槽来设置的,槽 宽为0.15 mm,槽深为0.13 mm。由于实验条件的限制 而未能在滚动体上设置故障。分别测取滚动轴承三种 模式下的振动信号各l5组数据,在三种数据中,分别 随机抽出10组数据作为样本数据,将剩下的数据作为 测试数据。 对原始振动信号进行LMD分解,从图2的分解结 果中可以看出前4个分量包含了主要的故障信息,因 此选取包含前4个PF分量,并按频率成分由高到低的 顺序排列为PF (t),PF (t),PF3(t),PF (t),按式(13) ~式(18)求出故障特征参数T ;采用BP网络进行分 类,网络结构为12×18×3,隐层包括18个隐节点,分 别将正常轴承和外圈、内圈有故障的轴承的T 作输出 分别对应正常、外圈故障和内圈故障3种模式,输出矩 阵的状态编码分别为:正常轴承[1,0,0];外圈故障轴 承[0,1,0];内圈故障轴承[0,0,1]。每种模式分别用 10个样本进行训练,训练截止误差为0.000 1,其中BP 训练算法学习速率为0.12,网络训练至收敛。用训练 好的神经网络对15个测试样本进行分类识别,每种模 式各5个样本,结果网络全部成功识别,限于篇幅原 因,表1只给出了基于LMD的3个测试样本(分别对 应三种模式)的识别结果。 采用Daubechiesl0(D10)对振动信号进行二层小波 包分解,重构第二层4个频带的小波包分解系数以构成 4个新的时间序列,按频率成分由高到低的顺序排列为: cl(t),c2(t),c3(t),c4(t),再分别提取四个重构序列特 征参数作为网络输入。对网络进行训练,训练过程同上。 用训练好的神经网络对测试样本进行分类识别,网络识 别准确率为93%。表1只给出了基于小波包预处理的3 个测试样本(分别对应三种模式)的识别结果。 由表可知,以LMD或小波包分析对振动信号作预 处理再提取特征参数作为网络输入的方法均可识别轴 承故障,但基于LMD与神经网络的方法比基于小波包 分析与神经网络的方法有更高的网络识别能力,信号 经LMD方法分解比经小波包分解得到了更加明显的 参量特征,这是因为小波包分解是非自适应性的,分解 后的各频带范围并不随振动信号的变化而变化。而 LMD分解是依据信号本身进行的自适应分解,其分解 过程依赖于信号本身包含的变化信息,因此对故障信 息更为敏感 l44 振动与冲击 表1 基于LMD或小波包分析的滚动轴承故障识别结果 Tab.1 Roller bearing fault diagnos ̄results based on LMD 2010年第29卷 4 结 论 LMD方法是一种自适应信号分解方法,本文的创 新点是,把LMD方法与神经网络相结合,用于滚动轴 承的故障类型自动分类。LMD方法能把复杂的多分量 信号分解为有限个瞬时频率具有物理意义的PF分量 a1.The Empiicarl mode [7] Huang N E,Shen Z,Long S R,etdecomposition and the Hilbert spectrum for nonlinear and non— stationary time series analysis[J].Proc.R.Soc.Lond.A, 1998,454:903—995. ew of Nonlinear [8] Huang N E,Shen Z,Long S R.A New ViWater Waves:The Hilbert Spectrum[J].Annu.Rev.Fluid Mech.,1999,31:417—457. 之和,而每一个PF分量实际上是一个单分量的调幅一 调频信号,它由一个包络信号与一个纯调频信号的相 乘得到。因此对每一个平稳PF分量提取能量特征参 unsheng,Yu Dejie,Yang Yu.Energy operator de— [9] Cheng Jmodulating approach based on EMD and its application in me— chanical fault diagnosis[J].Chinese Journal of Mechanical Engineering,2004,40(8):115—118. cation of the empiircal [10] Lob C H,Wu T C,Huang N E.Applimode decomposition・-Hilbert spectrum method to identify near-- 数作为BP神经网络的输人,神经网络的输出就可以清 楚的揭示故障的内在本质信息。同时实验结果也证明 了基于LMD分解提取特征参数的故障诊断方法可以 有效识别滚动轴承工作状态和故障类型。当采用基于 LMD分解提取参数作为神经网络特征向量时,具有比 基于小波包分析的神经网络更高的识别能力。 参考文献 fault ground—motion characteristics and structural response [J].Bulletin of the Seismological Society of American, 2001,91(5):1339—1357. Marcus D,Torsten S.Performance and limitations of the Hil— bert—Huang transformation(HHT)with an application to ir- regular waterwaves[J].Ocean Engineering,2004,31(14— 15):1783—1834. [1]Baydar N,Ball A.Detection of gear failures via vibration and acoustics signals using wavelet transform[J].Mechanical Systems and Signal Processing,2003,17(4):787—804. [12] Qin S R,Zhong Y M.A new algorithm of Hilbert—Huang transform[J].Mechanical Systems and Signal Processing, 2006,20(8):1941—1952. Huang N E,Wu M L C,Lo[13] ng S R.A confidence limit for the [2]Zheng H,Li Z,Chen X.Gearfault diagnosis based on con— tinuous wavelet transform[J].Mechanical Systems and Sinagl Processing,2002,16(2—3):447—457. empiircal mode decomposition and Hilbert spectral analysis [3]Classen T,Meeklenbrauker W.The aliasing problem in dis— crete—time Wigner distirbution[J].IEEE Transactions on A— coustics,Speech,and Sinagl Processing,1983,31(5): 1067—1072. [J].Proc.R.Soc.Lond.A,2003,459:2317—2345. [14] Deng Yongjun,Wang wei.Boundary processing technique in EMD method and Hilbert transform『J 1.Chinese Science Bul— letin,2001,46(11):257—263. [4]Lee J H,Kim J,Kim H J.Development of enhanced Wigner— Ville distirbution function[J].Mechanical Systems and Sig— nal Processing,2001,13(2):367—398. [15] Cheng Junsheng,Yu Dejie,Yang Yu.Research on the in— trinsic mode function(IMF)criterion in EMD method[J]. Mechanical Systems and Signal Processing,2006,20(4): 8l7—824. :5]Cohen L.Time—frequency distirbution—a review[A].Proceed— ings of the IEEE,1989,77(7):941—981. 6 Mallat S.A theory for multi—resolution decomposition,the Smith J S. Fbe local mean decomposition and its application [16] to EEG pere 5)tion data[J].Journal of the Royal Society In— terfaee,2005,2(5):443—454. wavelet representation[J].IEEE Trans.P.A.M.I., 1989。11(7):674—689.