HMM在电机轴承上的故障诊断

于天剑，陈特放，陈雅婷，成　庶

(中南大学 交通运输学院，410075 长沙)



HMM在电机轴承上的故障诊断

于天剑，陈特放，陈雅婷，成庶

(中南大学 交通运输学院，410075 长沙)

摘要:为了提高其机械系统故障诊断能力及其准确性，以历史的经验数据为基础对滚动轴承进行健康管理，提出一种新的基于多个隐马尔可夫模型与蚁群聚类算法(ACC)和神经网络相结合的方法来用于轴承故障的诊断与检测，该方法采用HMM与模式识别相结合的方法通过对轴承振动信号进行特征提取，在时频域内进行分析其老化的现象，分别将历史数据和新数据进行故障诊断和检测，并通过HMM和ANFIS来估计其剩余使用寿命和年限.实验结果表明：HMM与模式识别相结合的方法可以准确地对故障进行诊断及预测，通过对结果分析可以得到该方法降低了计算的复杂度，提高了诊断的精度，通过对不同故障诊断实例详细阐述了基于HMM故障诊断方法的有效性和可行性.

关键词:故障诊断;隐马尔可夫模型;ACC;电机轴承;模式识别

轴承在工业生产中一直扮演着很重要的角色，轴承的故障或者损坏会带来很严重的危害和重大的经济损失，准确地发现并探测出运行电机的故障有着很重要的意义[1]，新方法致力于开发故障诊断和预测的准确性，提高系统的安全性和可靠性，典型的轴承PHM系统包括特征提取、故障检测、故障诊断和故障预测[2-3]，特征提取方法有时域分析法、频域分析法和频谱分析法[4]，故障的诊断与检测方法有3个方面：基于模型式、数据驱动和基于经验基础的方法[5]，本文提出一种将数据模型和经验基础相结合的方法，数据驱动模型是用来检测退化状态的新方法，HMM是一种非平稳时间序列的统计建模方法[6]，广泛应用于众多领域当中(比如语音识别、电气设备状态监测、网络状态分析等方面)，而且着意于从概率角度刻画动态系统的内在状态与外在表现，既能反应对象的随机性，又能反应对象的潜在结构，适用于复杂动态系统的建模问题[7]，故本文提出了一种新的基于隐马尔可夫模型与模式识别及神经网络相结合来对电机轴承进行故障诊断及预测，可以快速、准确地探测轴承的异常行为，有利于轴承故障的早期发现及诊断[8].

1特征值提取与故障检测

系统结构框图如图1所示.首先是特征值提取，从轴承中检测数据并用时域分析法进行处理以除去冗杂数据；故障诊断与检测，是将收集到的特征数据和历史数据在相同的条件下进行检测，并将这些数据通过ACC(蚁群聚类算法)进行检测；故障预测，是通过HMM方法和ANFIS方法进行故障预测.

图1　轴承PHM系统

而其故障检测的步骤为先对历史数据和新数据进行特征检测，之后通过蚁群聚类算法对数据进行分类，然后再对其择优[11]，结构如图2所示，其分类后数据状态值如图3所示，通过对特征值进行三维特征空间标准化的仿真,对历史数据进行分类.

图2　故障的检测

图3　历史数据分类

从图3可以看出，通过对历史数据进行分类，其中故障状态数据最少，中期状态的数据最多，也是符合轴承的实际工作情况，然后再利用这些选好的数据继续进行以下的故障预测.

2故障的诊断及预测

而Baum-Welch算法用于解决上述问题，参数估计的目标是调整模型参数λ，使产生训练数据O的概率最大，可以通过连续迭代和变换目标函数为

从最后的公式中可以得出下一个时刻t+1时的状态，但此时的观测值Ot+1是不可用的，为此本文在此更换一个新的观测值Csj来代替Ot+1，同样bj(ot+1)是在0和1之间的值，也就是说通过一系列推导得到在t时刻Csj=bj(ot)，若Csj=1则为下一个可能发生的状态[14]，由此成为了一个新的过渡：

3实验结果

实际上在实验室轴承参数是很难准确地测量和实时检测的，由于在现场实验也有很大的难度，所以本文搭建一个实验平台，来进行模拟真正的运行工况，然而实验的过程并不能很快地反映轴承自然降解情况，通过人为地给其他轴承加径向负荷以及一些电工损伤或加快转速和运行时间来加快老化，这样更能方便地检测和分析结果.

分别选取同样的4种轴承固定在同一个轴上，对于每个轴承给出不同的扭矩和负荷，其中转速为2 000r/min，以恒定6 000N的径向负荷放置在轴承上，如图4所示，从实验中选取相对比较好跟踪的实验数据，如峭度、平均值、平均功率等.用来验证本文的诊断方法，用历史数据来检测未知状态下的退化状态，识别HMM模型参数.

图4　轴承测试实验

其中图5(a)为对平均功率的信号提取，从采集软件中本文注意到轴承(1,2,3,4)在2 000r/min和6 000N的径向负荷下进行35d的电工实验，可以看到第4根轴承有老化迹象，并且其平均功率有明显的增加.图5(b)中为对其特征值峭度的提取，从图中可以看到经过28d的测试实验第4根轴承开始老化，其峭度明显增加，在31d后轴承3、4都开始老化并在第33d达到最大值，可以看到这两个信号对故障的反映是十分重要的，再经过几天的操作以后数据没有明显大的改变.

图5　特征值对比情况

4故障预测

其中：Ej为Ωi的训练值，μj为中心变量.

图6　轴承状态检测及预测

图7　各种状态下的轴承概率值

5结论

1)针对历史数据是很难获得这一局限性，提出了一种新的应用在电机轴承的故障诊断及预测的方法.

2)利用HMM方法与ANFIS方法相结合的情况来对故障问题进行建模、在频域内提取特征值、用ACC算法进行故障分类、最后用隐马尔可夫模型方法进行了故障预测，并且在实际试验当中验证了其方法的准确性与持久性，得到的结果表明所提出方法用于轴承检测、诊断、预警的可行性.

3)提出了一个新的问题，即如何用HMM来定位具体轴承的故障位置，知道了故障如何快速找到故障位置，也是在今后的研究中有待解决的问题.

参考文献

[1]FROSINIL,BASSIE.Statorcurrentandmotorefficiencyasindicatorsfordifferenttypesofbearingfaultsininductionmotors[J].IEEETransIndElectron, 2010, 57(1): 244-251.

[2]IMMOVILLIF,COCCONCELLIM,BELLINIA,etal.Detectionofgeneralized-roughnessbearingfaultbyspectral-kurtosisenergyofvibrationorcurrentsignals[J].IEEETransIndElectron, 2009, 56(11): 4710-4717.

[3]ZHANGB,SCONYERSC,BYINGTONC,etal.Aprobabilisticfaultdetectionapproach:applicationtobearingfaultdetection[J].IEEETransIndElectron, 2011, 58(5): 2011-2018.

[4]IMMOVILLIF,BIANCHINIC,COCCONCELLIM,etal.Bearingfaultmodelforinductionmotorwithexternallyinducedvibration[J].IEEETransIndElectron, 2013, 60(8): 3408-3418.

[5]YAZIDIA,HENAOH,CAPOLINOGA,etal.Awebbasedremotelaboratoryformonitoringanddiagnosisofacelectricalmachines[J].IEEETransIndElectron, 2011, 58(10): 4950-4959.

[6]BARUAHP,CHINNAMRB.HMMsfordiagnosticsandprognosticsinmachiningprocesses[J].IntJProdRes, 2005, 43(6): 1275-1293.

[7]RAMMOHANR,TAHAM.ExploratoryinvestigationsforintelligentdamageprognosisusinghiddenMarkovmodels[C]//Proc2ndIEEEConfSystemsManandCybernetics.Piscataway:IEEEPress, 2005: 1524-1529.

[8]CHENC,ZHANGB,VACHTSEVANOSG.Machineconditionpredictionbasedonadaptiveneurofuzzyandhigh-orderparticlefiltering[J].IEEETransIndElectron, 2011, 58(9): 4353-4364.

[9]STRANGASE,AVIYENTES,NEELYJ,etal.Improvingthereliabilityofelectricaldrivesthroughfailureprognosis[C]//Proc2ndIEEEConf(SDEMPED).Piscataway:IEEEPress, 2011: 172-178.

[10]MAHAMADAK,SAONS,HIYAMAT.Predictingremainingusefullifeofrotatingmachinerybasedartificialneuralnetwork[J].ComputMathAppl, 2010, 60(4): 1078-1087.

[11]BENKEDJOUHT,MEDJAHERK,ZERHOUNIN,etal.Faultprognosticofbearingsbyusingsupportvectordatadescription[C]//Proc9thIEEEConfPrognosticsandHealthManagement.Piscataway:IEEEPress, 2012: 1-7.

[12]于天剑,陈雅婷,陈特放.基于HMM在电机故障诊断上的研究[J].铁道科学与工程,2014, 11 ( 4 ): 103-108.

[13]ZAIDIS,AVIYENTES,SALMANM,etal.PrognosisofgearfailuresinDCstartermotorsusinghiddenMarkovmodels[J].IEEETransIndElectron，2011, 58(5): 1695-1706.

[14]CAMCIF,CHINNAMR.HierarchicalHMMsforautonomousdiagnosticsandprognostics[C]//Proc9thIEEEConfNeuralNetworks.Piscataway:IEEEPress, 2006: 2445-2452.

[15]WANGT,YUJ,SIEGELD,etal.Asimilarity-basedprognosticsapproachforremainingusefullifeestimationofengineeredsystems[C]//Proc7thIEEEConfPrognosticsandHealthManage.Piscataway:IEEEPress, 2008: 1-6.

(编辑魏希柱)

Fault diagnosis of bearing failure using HMMS

YU Tianjian, CHEN Tefang, CHEN Yating, CHENG Shu

(School of Traffic and Transportation Engineering, Central South University, 410075 Changsha, China)

Abstract:In order to improve the fault diagnosis ability of the system and its accuracy, with previous experience in this article is based on data Rolling health management, this paper presents a novel based on multiple hidden Markov models and Kazuo artificial neural network algorithms and methods of combining ant colony to be used to diagnose and detect bearing faults, which uses HMM and pattern recognition method by combining the bearing vibration signal feature extraction, in the frequency domain analysis of the aging phenomenon, namely the historical data and the new data fault diagnosis and testing, while HMM and ANFIS fault prediction is to estimate the remaining useful life and the life. The experimental results show that the method of HMM and pattern recognition can be used to diagnose and predict the faults. The method can reduce the computational complexity and improve the accuracy of diagnosis, through the different fault diagnosis example elaborates on HMM-based fault diagnosis method effectiveness and feasibility.

Keywords:diagnosis; hidden Markov models; ACC; motor bearings; pattern recognition

中图分类号:U265

文献标志码:A

文章编号:0367-6234(2016)02-0184-05

通信作者:成庶，6409020@qq.com.

作者简介:于天剑(1988—), 男，博士研究生;

基金项目:国家自然科学基金(61273158).

收稿日期:2014-12-22.

doi：10.11918/j.issn.0367-6234.2016.02.032

陈特放(1957—), 男，博士生导师.