本发明公开了一种基于多特征参量的滚动轴承故障诊断方法,包括以下步骤:(1)对采集到的振动信号进行预处理,消除噪声及其它振动源的干扰;(2)从振动信号中提取能够反映滚动轴承不同工况的时域统计参数;(3)求出预处理后振动信号的包络信号,采用改进的经验模态分解方法对包络信号进行分解,得到一系列的固有模态函数;(4)选取集中大部分能量的几个固有模态函数,计算能量矩;(5)对分解得到的第一个固有模态函数进行包络谱分析,计算故障特征幅值比;(6)将以上步骤提取的多个特征参量作为BP神经网络的输入向量,由网络输出诊断结果。本发明能够全面地反映滚动轴承的运行状况,提高了诊断准确率,易于实现滚动轴承的在线监测。
1.一种基于多特征参量的滚动轴承故障诊断方法,其特征在于,包括以下步骤:(1)对采集到的振动信号进行预处理,消除噪声及其它振动源的干扰;预处理方法采用小波消噪-盲源分离-小波消噪联合方法,去除噪声的同时也去除了它振动源的影响;(2)从振动信号中提取能够反映滚动轴承不同工况的时域统计参数;时域统计参数包括:峭度指标、峰值指标、裕度指标、脉冲指标和波形指标;(3)求出预处理后振动信号的包络信号,采用改进的经验模态分解方法对包络信号进行分解,得到一系列的固有模态函数;改进的经验模态分解方法采用了相关系数法;(4)选取集中大部分能量的几个固有模态函数,计算固有模态函数能量矩;固有模态函数为前5个固有模态函数;(5)对分解得到的第一个固有模态函数进行包络谱分析,求取第一个固有模态函数的包络谱,计算出2个故障特征幅值比;其中,滚动轴承外圈、内圈故障特征频率处对应的幅值与滚动体故障特征频率处的幅值比作为故障特征参量,2个特征幅值比分别为 R 1 = A ( f ord ) A ( f bd ) ]]> R 2 = A ( f ird ) A ( f bd ) ]]>式中,A(f_ord)表示外圈故障频率处的幅值,A(f_ird)表示内圈故障频率处的幅值,A(f_bd)表示滚动体故障频率处的幅值;(6)将步骤(2)、(4)和(5)提取的多个特征参量作为BP神经网络的输入向量,由网络输出诊断结果;BP神经网络的输入层节点个数为12个,分别为5个时域统计参数、5个固有模态函数能量矩以及2个故障特征幅值比;输出层节点个数为4个,对应正常、外圈故障、内圈故障及滚动体故障;隐含层节点个数为16个。技术领域
本发明涉及机械故障诊断技术领域,尤其涉及一种基于多特征参量的滚动轴承故障诊断方法。
背景技术
振动诊断是复杂机电系统诊断的基本方法,振动测试手段及振动分析理论成熟,易于实现在线监测与诊断,是目前滚动轴承故障诊断中使用最广泛的方法之一。传统傅里叶变换作为平稳信号处理中最常用的分析工具,不适用于非线性、非平稳信号。为克服傅里叶变换的局限性,时频分析方法得到了快速发展。短时傅里叶变换是最早提出的一种时频分析方法,但它是基于信号在时间窗内是平稳信号的假设,只适于分析一些缓变的非平稳信号。小波变换克服了短时傅里叶变换的时频窗大小固定不变的缺陷,采用可变时频窗的方法,使得在时域和频域都能得到较好的局部化性质。但是小波变换的结果依赖小波基函数的选择,对于不同的情况需要不断地调整小波基函数。然而在信号消噪领域,小波变换仍然是最常用的工具之一。经验模态分解(EMD)最早由美国国家宇航局的美籍华人Nordenxa0E.Huang于1996年提出,是一种自适应的高效的非线性、非平稳信号分析方法,在振动工程领域得到了广泛的研究和应用。滚动轴承是一个复杂的非线性系统,BP神经网络能够实现这一复杂的非线性映射关系。经过学习训练的BP神经网络,具备对多参数、多特征信息的滚动轴承进行故障诊断的能力,可以用来对滚动轴承进行故障识别。目前人工神经网络在滚动轴承的故障诊断中得到了广泛的应用,虽然取得了良好的诊断效果,但是大多数都是将单一的特征参量作为神经网络的输入向量,无法全面地反映滚动轴承的故障状态,而且诊断的正确率还有待进一步提高。另外,对于滚动轴承特征参数的提取算法,目前常用的方法是振动信号经过小波或小波包变换后,提取分解所得信号的能量或能量熵,但是对于非线性、非稳态的滚动轴承振动信号,能量或能量熵无法更好的反映信号的本质。
发明内容
本发明解决的技术问题在于全面地反映滚动轴承的故障状态、提高诊断的准确率。为了解决以上问题,一种基于多特征参量的滚动轴承故障诊断方法,包括以下步骤:(1)对采集到的振动信号进行预处理,消除噪声及其它振动源的干扰;(2)从振动信号中提取能够反映滚动轴承不同工况的时域统计参数;(3)求出预处理后振动信号的包络信号,采用改进的经验模态分解方法对包络信号进行分解,得到一系列的固有模态函数;(4)选取集中大部分能量的几个固有模态函数,计算能量矩;(5)对分解得到的第一个固有模态函数进行包络谱分析,计算故障特征幅值比;(6)将步骤(2)、(4)和(5)提取的多个特征参量作为BP神经网络的输入向量,由网络输出诊断结果。其中:经验模态分解方法缩写为EMD;固有模态函数缩写为IMF。进一步,作为一种优选,在所述的步骤(1)中,预处理方法采用小波消噪-盲源分离-小波消噪联合方法,去除噪声的同时也去除了其它振动源的影响。进一步,作为一种优选,所述步骤(2)中的时域统计参数包括:峭度指标、峰值指标、裕度指标、脉冲指标和波形指标。进一步,作为一种优选,所述步骤(3)中改进的经验模态分解方法采用了相关系数法。进一步,作为一种优选,在所述步骤(4)中固有模态函数为前5个固有模态函数。进一步,作为一种优选,在所述的步骤(5)中,求取第一个固有模态函数的包络谱,计算故障特征幅值比。进一步,作为一种优选,在所述的步骤(6)中,BP神经网络的输入层节点个数为12个,分别为5个时域统计参数、5个固有模态函数能量矩以及2个故障特征幅值比;输出层节点个数为4个,对应正常、外圈故障、内圈故障及滚动体故障;隐含层节点个数为16个。本发明有益效果在于,将多特征参量作为故障分类器的输入向量,与单一类型的特征参量相比,能够更好的反映滚动轴承的工作状况,得到更高的诊断正确率。
附图说明
当结合附图考虑时,通过参照下面的详细描述,能够更完整更好地理解本发明以及容易得知其中许多伴随的优点,但此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定,其中:图1是滚动轴承故障诊断的流程图;图2是具有外圈故障的滚动轴承的原始振动信号;图3是经过预处理后的外圈故障信号;图4是经过预处理后振动信号的包络信号;图5是外圈故障信号经过EMD分解后得到的各个固有模态函数及一个残余项;图6是外圈故障信号的第一个固有模态函数的包络信号;图7是外圈故障信号的第一个固有模态函数的包络谱;图8是BP神经网络的故障诊断模型。
具体实施方式
以下参照图1-8对本发明的实施例进行说明。为使上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。如图1所示,一种基于多特征参量的滚动轴承故障诊断方法,包括以下步骤:(1)振动信号预处理步骤包括:数据采集步骤S1和消噪处理步骤S2。滚动轴承在运行中往往受到附近设备振动以及其它外界因素的影响,在实际应用中,需要对信号进行消噪处理,去除背景噪声,提高故障诊断的可靠性。采集到的具有外圈故障的滚动轴承的原始振动信号x(t)如图2所示。采用小波消噪-盲源分离-小波消噪联合方法对信号进行消噪处理,得到消噪后的振动信号y(t)如图3所示。经过处理后,消除了噪声及其它振动源的干扰。(2)提取时域统计参数步骤S4本方法选择峭度指标、峰值指标、裕度指标、脉冲指标、波形指标五个无量纲参数作为要提取的时域统计特征参数,计算公式如下:峭度指标(Kurtosisxa0Value):ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="255"/>峰值指标(Crestxa0Factor):ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="242"/>裕度指标(Clearancexa0Factor):ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="266"/>脉冲指标(Impulsexa0Factor):ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="230"/>波形指标(Shapexa0Factor):ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="220"/>其中,峰值x_peak=max{|x_i|},均方根值ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="357"/>方根幅值 x r = ( 1 n Σ i = - 1 n | x i | ) 2 , ]]>绝对平均幅值 | x ‾ | = 1 n Σ i = 1 n | x i | . ]]>(3)对消噪后的振动信号进行EMD分解步骤S3由消噪后的振动信号y(t)提取时域统计参数后,通过Hilbert变换法计算消噪后的振动信号的包络信号p(t)。对y(t)进行Hilbert变换: H [ y ( t ) ] = P π ∫ - ∞ + ∞ y ( τ ) t - τ dτ ]]>其中P为柯西主值,通常取1。进一步得到包络信号p(t)的表达式: p ( t ) = y 2 ( t ) + H 2 [ y ( t ) ] ]]>所得包络信号p(t)如图4所示。由于EMD算法存在端点效应,分解过程会产生虚假固有模态函数分量。为了减少虚假分量对后续分析的影响,本发明采用相关系数法来剔除EMD算法产生的虚假分量。可以根据实际情况设置一个阀值: λ = max ( u i ) n / 2 , i = 1 , . . , n ]]>其中max(u_i)为相关系数的最大值,n为EMD分解得到的固有模态函数的个数。相关系数大于阀值的固有模态函数保留,小于阀值的固有模态函数纳入残余项中。经过相关系数法筛选后得到8个固有模态函数c_i(i=1,...8)和1个残余项,如图5所示。(4)提取固有模态函数能量矩S6由于前5个固有模态函数集中了信号的大部分能量,因此提取前5个固有模态函数的能量矩作为故障特征参量。能量矩的计算公式如下: E i = Σ k = 1 m ( k · Δt ) | c i ( k · Δt ) | 2 ]]>其中m为总的采样点数,k为采样点,Δt为采样周期。对所选固有模态函数依据上式计算能量矩得到E₁,E₂,...,E₅。再对能量矩归一化处理,得到[E′₁xa0E′₂...E′₅]=[E₁/Exa0xa0E₂/Exa0xa0...E₅/E]其中 E = ( Σ i = 1 n | E i | 2 ) 1 2 ]]>计算固有模态函数能量的公式为 E i = ∫ - ∞ + ∞ | c i ( t ) | 2 dt ]]>对比能量的计算公式和能量矩的计算公式可以看出,能量矩同时考虑了能量的大小和能量随时间参数的分布状况,可以更好的揭示能量的分布特征。(5)提取故障特征幅值比步骤S8对步骤(3)得到的固有模态函数分量进行Hilbert变换 H [ c i ( t ) ] = 1 π ∫ - ∞ + ∞ c i ( τ ) t - τ dτ ]]>然后构造解析信号 z i ( t ) = c i ( t ) + jH [ c i ( t ) ] = a i ( t ) e j θ i ( t ) ]]>其中幅值函数a_i(t)的表达式即为包络信号的表达式,即 a i ( t ) = c i 2 ( t ) + H 2 [ c i ( t ) ] ]]>相位函数的表达式为 θ i ( t ) = arctan H [ c i ( t ) ] c i ( t ) ]]>根据解析信号的表达式可以将每个固有模态函数分量表示成如下形式c_i(t)=a_i(t)cos[θ_i(t)]由上式可以看出,每一个固有模态函数分量都是一个单分量的调制信号,可以是幅度或频率调制的。因此可以对固有模态函数进行包络谱分析,进一步提取故障特征。由于滚动轴承的故障信息主要包含在高频带,选取第一个固有模态函数进行包络谱分析S5,计算得到其包络信号如图6所示,对包络信号进行快速傅里叶变换得到包络谱S7如图7所示。经过计算滚动轴承外圈故障特征频率为106.93Hz,从图7中可以看到包络谱在对应外圈故障特征频率及其倍频处有明显的谱峰。对于内圈及滚动体故障,在其固有模态函数的包络谱中,相应的故障频率处也分别会有明显的谱峰。据此可以定义在固有模态函数包络谱中,滚动轴承外圈、内圈故障特征频率处对应的幅值与滚动体故障特征频率处的幅值比作为故障特征参量,两个特征幅值比分别为 R 1 = A ( f ord ) A ( f bd ) ]]> R 2 = A ( f ird ) A ( f bd ) ]]>式中,A(f_ord)表示外圈故障频率处的幅值,A(f_ird)表示内圈故障频率处的幅值,A(f_bdxa0)表示滚动体故障频率处的幅值。经过以上特征参量的提取,共得到12个故障特征参量。(6)设计BP神经网络进行故障分类步骤S9应用BP神经网络进行故障分类时,需要将提取的滚动轴承故障特征向量分为两组,一组作为训练样本,用来对BP神经网络进行训练,一组作为待诊断样本,用来对已训练好的BP神经网络进行测试,以检验网络的分类能力。BP神经网络的故障诊断模型如图8所示。BP神经网络的输入向量包含12个特征参量,输出为4种工作状态,因此BP神经网络输入层神经元节点个数为12,输出层神经元节点个数为4。对于隐含层神经元节点个数,可以参考如下经验公式:l=2n+1 l = n + m + a ]]>l=log₂n其中l为隐含层神经元节点个数,n为输入层神经元节点个数,m为输出层的神经元节点个数,a为介于1到10之间的常数。参考经验公式计算出来的只是粗略的估计值,可以设置一个区间并从中选取节点个数,然后通过试凑法确定最佳的节点数。隐含层传递函数选为正切S型传递函数tansig,输出层传递函数选为线性传递函数purelin,学习训练函数选为共轭梯度法trainscg。相关网络训练参数,最大训练次数选为1000,学习速率选为0.05,目标误差选为0.001。如上所述,对本发明的实施例进行了详细地说明,但是只要实质上没有脱离本发明的发明点及效果可以有很多的变形,这对本领域的技术人员来说是显而易见的。因此,这样的变形例也全部包含在本发明的保护范围之内。