徐衛(wèi)曉,譚繼文,溫國強(qiáng)
(青島理工大學(xué),山東青島266033)
滾動軸承是機(jī)械設(shè)備中最常用的零件,其狀態(tài)的好壞將直接影響機(jī)械系統(tǒng)的工作狀態(tài)、運(yùn)行效率和精度。據(jù)統(tǒng)計,由滾動軸承引起的機(jī)械故障大約占總故障的30%左右[1],可見,及時地檢測滾動軸承的狀態(tài)信息,并據(jù)此診斷其故障,能夠大幅度地減少維修成本,杜絕重大損失的發(fā)生,從而實現(xiàn)機(jī)械設(shè)備的正??煽窟\(yùn)行。
滾動軸承在發(fā)生故障時,其振動信號表現(xiàn)出現(xiàn)非平穩(wěn)、非線性的特點(diǎn),作者首先利用加速度傳感器完成了滾動軸承故障狀態(tài)振動信號的在線采集,然后采用EMD 法將滾動軸承的非平穩(wěn)信號轉(zhuǎn)換成平穩(wěn)的IMF 分量,并結(jié)合故障信號的時域特征構(gòu)成時頻域特征集,導(dǎo)入到BP 神經(jīng)網(wǎng)絡(luò)中進(jìn)行故障模式識別,從而實現(xiàn)了對滾動軸承故障狀態(tài)的分類和診斷。
經(jīng)驗?zāi)B(tài)分解(簡稱EMD)與傅立葉變換、小波包分解等方法相比,因其基函數(shù)是由數(shù)據(jù)本身所分解而得到,且具有直觀、直接、后驗和自適應(yīng)等特點(diǎn),能把復(fù)雜的信號分解為有限個固有模態(tài)函數(shù)(IMF)之和,每一個IMF 分量代表著不同特征尺度的數(shù)據(jù)系列。由此可見,EMD 分解方法是將非線性、非平穩(wěn)信號轉(zhuǎn)化成線性、平穩(wěn)信號的分解過程,具有很高的信噪比。
IMF 分量所包含的頻率成分不僅與采樣頻率有關(guān),而且還隨著信號的變化而變化,它必須滿足以下兩個必要條件:在整個時間段內(nèi),該分量的過零點(diǎn)個數(shù)和極值點(diǎn)個數(shù)要保持相同或最多相差不超過一個;在任意時刻,該分量的上下包絡(luò)線要關(guān)于時間軸對稱[2]。
EMD 方法的分解過程也就是數(shù)據(jù)篩選的過程。原始信號x(t)的分解過程如下[3]:
(1)計算出原始信號x(t)的所有極值點(diǎn),并用三次樣條插值函數(shù)逐次擬合極大值和極小值點(diǎn)分別形成上、下包絡(luò)線,以此涵蓋所有的原始信號。
(2)計算出上、下包絡(luò)線的均值m1,并計算出新的信號序列u1,即
(3)討論u1是否滿足IMF 的條件,如果滿足則記為u1=c1,反之則把u1作為原始信號繼續(xù)重復(fù)上述步驟,直到滿足IMF 條件為止。則c1即為原始信號的第一個IMF 分量,代表最高頻率成分。
(4)通常,需要的是原始信號里的高頻成分,則將去掉高頻成分的剩余信號記為r1
(5)將r1作為原始數(shù)據(jù),重復(fù)以上步驟n 次,最終得到c1,c2,…,ck,直到當(dāng)rn成為一個單調(diào)函數(shù)不能從中提取到滿足IMF 的分量為止。則原始信號x(t)可以表示為:
BP 神經(jīng)網(wǎng)絡(luò)全稱是反向傳播(Back Propagation)神經(jīng)網(wǎng)絡(luò),可以實現(xiàn)輸入和輸出間的非線性映射。目前BP 神經(jīng)網(wǎng)絡(luò)是在故障診斷中應(yīng)用最廣且比較有效的神經(jīng)網(wǎng)絡(luò)[4]。
BP 神經(jīng)網(wǎng)絡(luò)作為一種前饋網(wǎng)絡(luò),具有1 個輸入層,1 個輸出層和多個隱含層,每層都由多個神經(jīng)元組成,各個相鄰的神經(jīng)元之間以全連接的方式進(jìn)行連接,隱藏層傳遞函數(shù)使用S 型函數(shù),輸出層傳遞函數(shù)使用線性函數(shù)。網(wǎng)絡(luò)選擇以均方誤差最小為訓(xùn)練目標(biāo),以BP 算法作為網(wǎng)絡(luò)的學(xué)習(xí)算法。其中,3 層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。
圖1 3 層BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
下面以7202AC 型角接觸球軸承為例,將LC0101型加速度傳感器分別布置在軸承座的X、Y、Z 3 個方向,對軸承的5 種狀態(tài)(正常、滾珠磨損、內(nèi)圈磨損、外圈磨損及保持架磨損)的振動信號進(jìn)行采集。其中,圖2所示為角接觸球軸承,圖3所示為加速度傳感器的布置圖。
圖2 角接觸球軸承
圖3 加速度傳感器布置圖
由于EMD 分解方法能夠?qū)?fù)雜的非平穩(wěn)的原始信號分解為多個平穩(wěn)的、線性的IMF 分量之和,因此,采用EMD 分解方法對采集的振動信號進(jìn)行分解處理[5],提取分解后的前8 個IMF 分量的能量值作為頻域特征;同時提取振動信號的偏斜度、裕度系數(shù)、峰度、峭度因子、均方根、絕對平均幅值共6 個時域特征,一共是14 種時-頻域特征。如圖3所示,由于采集的信號來自X、Y、Z 3 個方向,每個方向有14 種特征,則3 個方向總共42 種特征,將此42 種特征構(gòu)成特征集作為BP 網(wǎng)絡(luò)的輸入,以備后續(xù)處理。圖4 為滾動軸承外圈磨損原始信號,圖5 為經(jīng)EMD分解的前10 個IMF 分量。
圖4 軸承外圈磨損原始信號
圖5 EMD 分解結(jié)果
由圖5 可知,信號分解到第9 層和第10 層時逐漸變?yōu)橐粋€單調(diào)函數(shù),對軸承原始信號主要成分影響很小,因此提取包含軸承主要故障信息的前8 個IMF分量的能量值作為頻域特征。
理論分析表明,一個具有3 層的BP 神經(jīng)網(wǎng)絡(luò)能夠以任何精度逼近任何連續(xù)函數(shù),具有很強(qiáng)的非線性映射能力[6],因此,選用3 層BP 網(wǎng)絡(luò)構(gòu)建網(wǎng)絡(luò)模型。
由于隱含層神經(jīng)元個數(shù)的多少將影響到網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)的有效性和準(zhǔn)確性[7],因此,網(wǎng)絡(luò)設(shè)計時主要確定隱含層神經(jīng)元的個數(shù)。其中,輸入層節(jié)點(diǎn)數(shù):分別提取軸承X、Y、Z 3 個方向的振動信號,每個方向取前8 個IMF 分量能量特征值和6 種時域特征(偏斜度、峰度、峭度系數(shù)、裕度、均方根值、絕對平均幅值)共14 個特征值,總共42 個特征值為BP 網(wǎng)絡(luò)輸入,則輸入層節(jié)點(diǎn)數(shù)為42;輸出層節(jié)點(diǎn)數(shù):即軸承故障的種類數(shù),包括正常軸承、滾珠磨損、內(nèi)圈磨損、外圈磨損和保持架磨損5 種狀態(tài),因此輸出層節(jié)點(diǎn)數(shù)為5。隱含層節(jié)點(diǎn)數(shù)按以下公式進(jìn)行確定:
式中:k 為隱含層節(jié)點(diǎn)數(shù);a 為輸入層節(jié)點(diǎn)數(shù);b 為輸出層節(jié)點(diǎn)數(shù);則代入公式可得7.7≤k≤16.7。經(jīng)過MATLAB 軟件的不斷調(diào)試,驗證當(dāng)k =16 時能使網(wǎng)絡(luò)收斂較快且學(xué)習(xí)步數(shù)最少??梢?,3 層BP 神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層以及輸出層節(jié)點(diǎn)數(shù)分別是42、16、5。
此外,由于選取網(wǎng)絡(luò)的學(xué)習(xí)速率越小,則系統(tǒng)的穩(wěn)定性越高,因此,文中選取的學(xué)習(xí)速率0.1,期望誤差0.02,隱含層神經(jīng)元傳遞函數(shù)為logsig,輸出層神經(jīng)元傳遞函數(shù)為purelin,則有net =newff(minmax(P),[16,5],{'logsig','purelin'},'trainrp');進(jìn)而完成BP 網(wǎng)絡(luò)模型的建立。
利用3 個加速度傳感器分別檢測軸承的X、Y、Z 3 個方向的5 種故障狀態(tài)(正常、滾珠磨損、內(nèi)圈磨損、外圈磨損和保持架磨損),并提取每種狀態(tài)下的振動信號各20 組,其中,16 組作為訓(xùn)練集,剩余4組作為測試集。在MATLAB 環(huán)境下,對BP 網(wǎng)絡(luò)進(jìn)行訓(xùn)練,得神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差變化曲線圖,如圖6所示。
圖6 網(wǎng)絡(luò)訓(xùn)練誤差變化曲線
將20 組測試集數(shù)據(jù)在已訓(xùn)練好的網(wǎng)絡(luò)內(nèi)進(jìn)行測試。限于篇幅原因,訓(xùn)練集的數(shù)據(jù)不予全部給出,測試集的數(shù)據(jù)中省略表示X、Y、Z 方向的E2,E2,…,E8和偏斜度、峭度系數(shù)、裕度、均方根值等時域特征。其中,E1x,E1y,E1z分別表示X,Y,Z 軸方向的能量值。其中,20 組測試集數(shù)據(jù)匯總見表1,診斷結(jié)果與期望結(jié)果的比較情況見表2。
表1 20 組測試集數(shù)據(jù)
表2 診斷結(jié)果與期望結(jié)果比較表
從表2 可看出,網(wǎng)絡(luò)的實際輸出結(jié)果與期望結(jié)果基本一致,只有滾珠磨損一組數(shù)據(jù)出現(xiàn)診斷錯誤,因此識別率為μ=19/20 =95%,識別率比較高??梢姡?jīng)過EMD 分解后的各個分量基本上包含了滾動軸承的主要故障信息,與偏斜度、均方根值等時域特征的結(jié)合作為BP 網(wǎng)絡(luò)的輸入特征量,更能準(zhǔn)確有效地完成滾動軸承狀態(tài)的故障診斷。
當(dāng)滾動軸承發(fā)生故障時,其振動信號各個頻帶的能量都會發(fā)生相應(yīng)的變化,故障振動信號表現(xiàn)出非線性、非平穩(wěn)特征,且存在噪聲干擾,直接進(jìn)行數(shù)據(jù)分析很難得到有效的結(jié)論。利用EMD 分解方法處理非線性、非平穩(wěn)信號的優(yōu)勢,結(jié)合BP 神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)機(jī)制,對滾動軸承故障振動信號進(jìn)行分析處理,證明了EMD 分解后的前幾個IMF 分量包含了軸承的主要故障信息,是滾動軸承故障信號處理的有效方法。通過對軸承正常、滾珠磨損、內(nèi)圈磨損、外圈磨損及保持架磨損等故障進(jìn)行診斷的結(jié)果表明,將EMD 和BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合建立的軸承故障診斷模型能有效地識別軸承的各種故障狀態(tài),且具有良好的通用性和實用價值。
[1]蔣宇,李志雄,唐茗,等.EMD 下軸承故障程度診斷技術(shù)的研究[J].機(jī)床與液壓,2009(8):257-260.
[2]胡勁松,楊世錫,吳昭同,等,基于EMD 的旋轉(zhuǎn)機(jī)械振動信號Winger 分布分析[J].機(jī)床與液壓,2003(5):237-239.
[3]周將坤,陸森林.基于EMD 平均能量法的滾動軸承故障診斷[J].輕工機(jī)械,2010,28(2):36-40.
[4]唐貴基,楊玉婧,宋彩萌.基于神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械振動故障診斷[J].制造業(yè)信息化,2012:40-42.
[5]XU Baojie,RAN liu.Signal Feature Extraction About the Oil Whirl and Oil Oscillation Based on EMD[C]//2nd International Conference on Functional Manufacturing and Mechanical Dynamics.Hangzhou,Zhengjiang,China:Applied Mechanics and Materials,483-487.
[6]劉紅光,李麗麗,陸森林.基于BP 神經(jīng)網(wǎng)絡(luò)的滾動軸承振動故障診斷[J].拖拉機(jī)與農(nóng)用運(yùn)輸車,2008,35(6):114-118.
[7]程軍圣,于德介,楊宇.基于SVM 和EMD 包絡(luò)譜的滾動軸承故障診斷方法[J].系統(tǒng)工程理論與實踐,2005,25(9):131-136.