卓仁雄+肖金鳳+萬俊鑠

摘 要：針對電機軸承早期振動故障信號非線性非平穩(wěn)性特征，造成振動故障信號特征向量提取和故障診斷困難，提出一種補充的總體平均經(jīng)驗?zāi)B(tài)分解（CEEMD）與能量熵結(jié)合的電機滾動軸承故障特征提取方法。通過對振動信號分解得到多個固有模態(tài)函數(shù)，計算各個IMF分量的能量熵作為特征選擇，再結(jié)合針對少量數(shù)據(jù)樣本具有較好分類的SVM進行模式識別，實現(xiàn)對電機滾動軸承故障類型識別。通過試驗研究表明：基于CEEMD能量熵和SVM的電機滾動軸承故障診斷方法效果較好，能有效進行電機軸承早期故障診斷。

關(guān)鍵詞：CEEMD；能量熵；SVM；故障診斷

中圖分類號：TB

文獻標識碼：A

doi：10.19311/j.cnki.1672-3198.2017.19.101

0 引言

針對經(jīng)驗?zāi)B(tài)分解方法（EMD）在處理機械振動信號的時變性，非線性非平穩(wěn)性特征較好特點，近年來在其基礎(chǔ)之上加以改進，提出總體平均經(jīng)驗?zāi)B(tài)分解（EEMD），相比于EMD具有更好的抗模態(tài)混淆能力，但通過加入的高斯白噪聲在分解之后產(chǎn)生的非標準IMF分量﹑噪聲殘余﹑且含有一定的模態(tài)混淆情況。在此基礎(chǔ)之上，Yeh等在EEMD的基礎(chǔ)之上提出了CEEMD。其主要方法是通過向原信號添加兩對相反的高斯白噪聲信號分別進行EMD分解，將分解的信號組合得到最終的IMF，在EEMD基礎(chǔ)之上抑制了由高斯白噪聲產(chǎn)生的重構(gòu)誤差和消除模態(tài)混疊現(xiàn)象。同時利用信號能量在不同頻帶內(nèi)會發(fā)生相應(yīng)的改變，可以通過CEEMD分解得到若干個不同頻帶的IMF，分別計算能量熵值，利用能量熵構(gòu)造特征向量，再結(jié)合對小樣本具有較好模式識別能力的支持向量機（SVM）來識別電機滾動軸承運行情況和故障類型。

2 試驗分析

試驗數(shù)據(jù)來源于美國凱斯西儲大學(xué)軸承檢測中心。通過選取電機軸承正常狀態(tài)、在0.007英寸（0.1778mm）損失直徑下的滾動體故障、內(nèi)圈故障、外圈故障（6點鐘方向）四種狀態(tài)作為分析對象。采樣頻率為12kHz，電機轉(zhuǎn)速為1797r/min ，電機負荷為0HP。從上述4種工況里面分別采集30組振動加速度信號，每組數(shù)據(jù)長度為2048個數(shù)據(jù)點。一共采集120組信號，然后再利用Matlab里面的randperm函數(shù)分別隨機從4種工況里面隨機取20組數(shù)據(jù)，一共80組數(shù)據(jù)樣本作為訓(xùn)練樣本，剩下的每種工況一共40組作為測試樣本。對采集的每組數(shù)據(jù)樣本進行CEEMD分解進行能量特征提取，得到軸承各種狀態(tài)下特征向量。

結(jié)合圖1 圖2和表1可以看出，由CEEMD分解下的預(yù)測效果全部正確，其準確率達到100%。采用EEMD分解方法時，軸承正常情況、滾動體故障、外圈故障、內(nèi)圈故障分別有1個、3個、4個和4個預(yù)測錯誤。通過對比看出采用CEEMD分解下的預(yù)測效果優(yōu)于EEMD分解。

3 結(jié)論

（1）針對振動信號的非線性非平穩(wěn)性特點，基于補充的總體平均經(jīng)驗?zāi)B(tài)分解（CEEMD），相比EEMD分解不僅能夠抑制模態(tài)混疊問題，而且一定程度上解決了分解出現(xiàn)的模態(tài)分裂﹑噪聲殘余等問題，具有較好的分解完備性。

（2）針對軸承振動信號特征，綜合應(yīng)用補充的總體平均經(jīng)驗?zāi)B(tài)分解和具有較好模式識別性能的支持向量機聯(lián)合診斷模式，可以更有效地識別電機軸承早期故障。

參考文獻

[1]HUANG N E，SHEN Z，LONG S R，et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proceeding of the Royal Society of London Series A：Mathematical，Physical and Engineering Sciences，1998，454（1971）：903-995.

[2]Yeh J R，Shieh J S.Complementary ensemble empirical mode decomposition a noval noise enhanced data analysis method[J]. Advances in Adaptive Data Analysis，2010，2（2）：135-156.

[3]張周鎖，李凌均，何正嘉.基于支持向量機的多故障分類器及應(yīng)用[J].機械科學(xué)與技術(shù)，2004，23（5）：536-538.

[4]The case western reserve university bearing data center website[EB/OL].http： //csegrous，case.edu/bearing data center/pages/download-data-file.endprint