基于EMD与神经网络的滚动轴承故障诊断方法

EMD

振动与冲击

第24卷第1期JOURNALOFVIBRATIONANDSHOCKVol.24No.12005

基于EMD与神经网络的滚动轴承故障诊断方法

杨　宇　于德介　程军圣

(湖南大学机械与汽车工程学院,长沙　410082)

3

　　摘　要　针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition

,简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解,将其分解为多个平稳

的固有模态函数(IntrinsicModefunction,简称IMF)之和,再选取若干个包含主要故障信息的IMF分量进行进一步分析,由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,因而可从各IMF分量中提取能量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型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明,以

EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有

更高的故障识别率,可以准确、有效地识别滚动轴承的工作状态和故障类型。关键词:滚动轴承,EMD,能量,神经网络,故障诊断中图分类号:TH133　　　文献标识码:A

0　引　　言

识别的过程,和很强的自组织,2但网络的识别效果依赖于

[3]

所提取的特征参数的有效性和网络参数的选取。其中,故障特征参数的提取是故障诊断中最重要、最关键的问题之一,它直接关系到滚动轴承故障诊断的准确性。在信号的分析过程中,时间尺度和随时间尺度分布的能量是信号的两个最主要参数。事实上,当滚动轴承发生故障时,振动信号各频带的能量会发生变化,因此,在各频带信号的能量中包含了丰富的故

[4]

障信息,因而可根据滚动轴承振动信号的各频带能量的变化来进行滚动轴承故障分析。小波变换(WT)可将信号在不同的尺度上展开,并可提取信号在不同频带上的特征,且同时保留信号在各个尺度上的时域特征,即小波变换可在时域和频域内同时得到较高的分辨率,因而可考虑对原始振动信号进行小波包分[5]

解,并从分解重构后的时间序列中提取轴承信号的能量特征信息作为神经网络的输入,对滚动轴承进行自动分类与诊断。但小波变换本质上是窗口可调的傅立叶变换,一旦选择了小波基和分解尺度,则所得到的结果是某一固定频带的信号,即该频带范围只与信号的采样频率有关,而与信号本身无关,从这一点上来讲,小波分析不具有自适应性。近年来,Huang

[6]

NE提出了一种新的时频分析方法———经验模态分

3国家自然科学基金(编号:50275050)和高等学科博士点专项科研基金(编号:20020532024)资助项目收稿日期:20030928第一作者　杨宇　女,博士生,讲师,1971年4月生

,,可把信号,分解出的各个IMF分量突出了数据的局部特征,对其进行分析可以更准确有效地把握原数特征信息。此外,由于每一个IMF所包含的频率成分不仅仅与采样频率有关,而且更为重要的是它还随着信号本身的变化而变化,因此EMD方法是一种自适应的信号分解方法,具有很高的信噪比,非常适用于非平稳、非线性过程。

本文拟将EMD方法与神经网络结合起来,对滚动轴承进行故障诊断。即以EMD作为振动信号的预处理器,以BP网络作为分类器,提取EMD分解后的平稳IMF分量的能量特征指标作为网络的特征参数,对故障轴承和正常轴承进行分类。同时,为了将EMD方法与小波包分析方法进行比较分析,还对原始信号进行了小波包分解,对分解重构后的时间序列也相应提取能量特征参数,输入相同网络进行训练,并用来识别不同故障类型的轴承。实验结果表明,基于EMD的网络方法具有更好的识别效果和更高的网络识别率。

1　EMD方法

EMD方法从本质上讲是对一个信号进行平稳化

处理,其结果是将信号中不同尺度的波动或趋势逐级分解出来,产生一系列具有不同特征尺度的数据序列,每一个序列称为一个固有模态函数IMF。IMF分

EMD

　86　

振动与冲击2005年第24卷

量必须满足下面两个条件:一是其极点数和零点数相同(或最多相差一个),二是其上下包络线关于时间轴局部对称。

EMD方法步骤如下;假设在任何信号都由不同的MF组成,每个IIMF可以是线性的,也可以是非线性的,这样任何一个信号就可以分解为有限个IMF之

(Sift):和,则IMF可以按以下方法“筛选”

(1)确定信号x(t)的所有局部极值点,将所有极

图1　

具有外圈故障的滚动轴承故障振动信号

大值点用三次这样条线连接起来形成上包络线,将所

有极小值点用三次样条线连接起来形成下包络线,这两条包络线包络了所有的信号数据。

(2)将两条包络线的均值记为μ1,求出

(1)y1(t)=x(t)-μ1

(3)判断y1(t)是否为MIF,若y1(t)不满足MIF条(2),直到件,则将y1(t)作为原始数据,重复步骤(1)、

y1(t)满足MIF条件,此时,记y1(t)=c1(t),则c1(t)为

2　EMD分解结果

信号x1(t)的第一个MIF分量,它代表信号x1(t)高频率的分量。

(4)将c1(t)从x1(t)r1(t(2)r1(t)=x(t)将r1(t),重复步骤(1)、(2)和

(3),得到第二个IMF分量c2(t),重复n次,得到n个MF分量。这样就有I

r1-c2=r2

EMD和神经网络的滚动轴承故障诊断

基于EMD和神经网络的滚动轴承故障诊断方法

框图如图3

所示。

…

rn-1-cn=(3)

图3　基于EMD和神经网络的滚动轴承故障诊断框图

当cn(t)或rn(t)满足给定的终止条件(通常使rn

(t)成为一个单调函数)时,循环结束,由(2)式和(3)式可得到:

n

2.1　振动信号层

实测的加速度振动信号中除了具有反映有关滚动轴承本身的工作状态信息外,还包含了大量的机械设备中其它运动部件和结构的信息,这些信息对于研究滚动轴承本身的工况与故障来说属于背景噪声,由于背景噪声往往比较大,所以轻微的滚动轴承故障的信息常常淹没在背景噪声中,难以提取出来。因此在提取故障特征向量前有必要对振动信号进行预处理,以突出故障信息,提高信噪比。2.2　EMD分解层

x(t)=

∑c(t)

i

i=1

+rn(t)(4)

式中,rn(t)为残余函数,代表信号的平均趋势。而各IMF分量c1(t),c2(t)…cn(t)分别包含了信号从高到低不同频率段的成份,每一频率段所包含的频率成分都是不同的,且随信号本身的变化而变化。通常,EMD方法分解出来的前几个IMF分量往往集中了原信号中最显著、最重要的信息,从这个角度上讲,EMD方法就是一种新的主成分分析方法。

图1为滚动轴承外圈有缺陷时的时域加速度振动信号。图2为其EMD分解图,共有22个IMF分量,由于篇幅原因,此处只给出了前9个IMF分量。从图中可以看出,EMD把信号分解成了若干个IMF分量之和,不同的IMF分量包含了不同的时间尺度,

可以使信号的特征在不同的分辨率下显示出来。

当滚动轴承存在局部故障时,在轴承运动过程中,轴承的其它零件会间断地撞击故障部位,产生冲击力,从而激励轴承座或其它机械零部位件产生共振,形成一系列冲击振动,这些冲击振动的出现使原来的平稳振动信号变成了非常平稳振动信号。EMD方法的主要特点就是能够对非平稳、非线性过程中数据进行平稳化和线性化处理,并在分解的过程中保留数据的本身的特征,因此可采用EMD方法对振动信号进行预处理,把非平稳振动信号分解为一系列具有

EMD

第1期

杨　宇等:基于EMD与神经网络的滚动轴承故障诊断方法3

…… 此处隐藏：3259字，全部文档内容请下载后查看。喜欢就下载吧 ……