论文部分内容阅读
摘 要：针对电机轴承早期振动故障信号非线性非平稳性特征，造成振动故障信号特征向量提取和故障诊断困难，提出一种补充的总体平均经验模态分解（CEEMD）与能量熵结合的电机滚动轴承故障特征提取方法。通过对振动信号分解得到多个固有模态函数，计算各个IMF分量的能量熵作为特征选择，再结合针对少量数据样本具有较好分类的SVM进行模式识别，实现对电机滚动轴承故障类型识别。通过试验研究表明：基于CEEMD能量熵和SVM的电机滚动轴承故障诊断方法效果较好，能有效进行电机轴承早期故障诊断。
关键词：CEEMD；能量熵；SVM；故障诊断
中图分类号：TB
文献标识码：A
doi：10.19311/j.cnki.1672-3198.2017.19.101
0 引言
针对经验模态分解方法（EMD）在处理机械振动信号的时变性，非线性非平稳性特征较好特点，近年来在其基础之上加以改进，提出总体平均经验模态分解（EEMD），相比于EMD具有更好的抗模态混淆能力，但通过加入的高斯白噪声在分解之后产生的非标准IMF分量﹑噪声残余﹑且含有一定的模态混淆情况。在此基础之上，Yeh等在EEMD的基础之上提出了CEEMD。其主要方法是通过向原信号添加两对相反的高斯白噪声信号分别进行EMD分解，将分解的信号组合得到最终的IMF，在EEMD基础之上抑制了由高斯白噪声产生的重构误差和消除模态混叠现象。同时利用信号能量在不同频带内会发生相应的改变，可以通过CEEMD分解得到若干个不同频带的IMF，分别计算能量熵值，利用能量熵构造特征向量，再结合对小样本具有较好模式识别能力的支持向量机（SVM）来识别电机滚动轴承运行情况和故障类型。
2 试验分析
试验数据来源于美国凯斯西储大学轴承检测中心。通过选取电机轴承正常状态、在0.007英寸（0.1778mm）損失直径下的滚动体故障、内圈故障、外圈故障（6点钟方向）四种状态作为分析对象。采样频率为12kHz，电机转速为1797r/min ，电机负荷为0HP。从上述4种工况里面分别采集30组振动加速度信号，每组数据长度为2048个数据点。一共采集120组信号，然后再利用Matlab里面的randperm函数分别随机从4种工况里面随机取20组数据，一共80组数据样本作为训练样本，剩下的每种工况一共40组作为测试样本。对采集的每组数据样本进行CEEMD分解进行能量特征提取，得到轴承各种状态下特征向量。
结合图1 图2和表1可以看出，由CEEMD分解下的预测效果全部正确，其准确率达到100%。采用EEMD分解方法时，轴承正常情况、滚动体故障、外圈故障、内圈故障分别有1个、3个、4个和4个预测错误。通过对比看出采用CEEMD分解下的预测效果优于EEMD分解。
3 结论
（1）针对振动信号的非线性非平稳性特点，基于补充的总体平均经验模态分解（CEEMD），相比EEMD分解不仅能够抑制模态混叠问题，而且一定程度上解决了分解出现的模态分裂﹑噪声残余等问题，具有较好的分解完备性。
（2）针对轴承振动信号特征，综合应用补充的总体平均经验模态分解和具有较好模式识别性能的支持向量机联合诊断模式，可以更有效地識别电机轴承早期故障。
参考文献
[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]张周锁，李凌均，何正嘉.基于支持向量机的多故障分类器及应用[J].机械科学与技术，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.
关键词：CEEMD；能量熵；SVM；故障诊断
中图分类号：TB
文献标识码：A
doi：10.19311/j.cnki.1672-3198.2017.19.101
0 引言
针对经验模态分解方法（EMD）在处理机械振动信号的时变性，非线性非平稳性特征较好特点，近年来在其基础之上加以改进，提出总体平均经验模态分解（EEMD），相比于EMD具有更好的抗模态混淆能力，但通过加入的高斯白噪声在分解之后产生的非标准IMF分量﹑噪声残余﹑且含有一定的模态混淆情况。在此基础之上，Yeh等在EEMD的基础之上提出了CEEMD。其主要方法是通过向原信号添加两对相反的高斯白噪声信号分别进行EMD分解，将分解的信号组合得到最终的IMF，在EEMD基础之上抑制了由高斯白噪声产生的重构误差和消除模态混叠现象。同时利用信号能量在不同频带内会发生相应的改变，可以通过CEEMD分解得到若干个不同频带的IMF，分别计算能量熵值，利用能量熵构造特征向量，再结合对小样本具有较好模式识别能力的支持向量机（SVM）来识别电机滚动轴承运行情况和故障类型。
2 试验分析
试验数据来源于美国凯斯西储大学轴承检测中心。通过选取电机轴承正常状态、在0.007英寸（0.1778mm）損失直径下的滚动体故障、内圈故障、外圈故障（6点钟方向）四种状态作为分析对象。采样频率为12kHz，电机转速为1797r/min ，电机负荷为0HP。从上述4种工况里面分别采集30组振动加速度信号，每组数据长度为2048个数据点。一共采集120组信号，然后再利用Matlab里面的randperm函数分别随机从4种工况里面随机取20组数据，一共80组数据样本作为训练样本，剩下的每种工况一共40组作为测试样本。对采集的每组数据样本进行CEEMD分解进行能量特征提取，得到轴承各种状态下特征向量。
结合图1 图2和表1可以看出，由CEEMD分解下的预测效果全部正确，其准确率达到100%。采用EEMD分解方法时，轴承正常情况、滚动体故障、外圈故障、内圈故障分别有1个、3个、4个和4个预测错误。通过对比看出采用CEEMD分解下的预测效果优于EEMD分解。
3 结论
（1）针对振动信号的非线性非平稳性特点，基于补充的总体平均经验模态分解（CEEMD），相比EEMD分解不仅能够抑制模态混叠问题，而且一定程度上解决了分解出现的模态分裂﹑噪声残余等问题，具有较好的分解完备性。
（2）针对轴承振动信号特征，综合应用补充的总体平均经验模态分解和具有较好模式识别性能的支持向量机联合诊断模式，可以更有效地識别电机轴承早期故障。
参考文献
[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]张周锁，李凌均，何正嘉.基于支持向量机的多故障分类器及应用[J].机械科学与技术，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.