经验模态分解和神经网络在滚动轴承故障诊断中应用研究

陈 松, 陈立爱,2

（1.安徽建筑大学 机械与电气工程学院，安徽 合肥 230601；2.安徽国祯环保节能科技股份有限公司，安徽 合肥 230088）

经验模态分解和神经网络在滚动轴承故障诊断中应用研究

陈 松1, 陈立爱1,2

（1.安徽建筑大学 机械与电气工程学院，安徽 合肥 230601；2.安徽国祯环保节能科技股份有限公司，安徽 合肥 230088）

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的滚动轴承故障诊断方法，对采集的信号范围进行了筛选。利用经验模态分解将振动信号分解为多个平稳的固有模态函数。选取包含主要故障信息的IMF 分量分析其时域和频域特征。将时域信号特征量和频谱图峰值对应的频率归一化处理,输入Elman神经网络进行工作状态的自动判断。

经验模态分解； 神经网络； 轴承； 故障诊断。

0　引　言

滚动轴承具有摩擦阻力小和润滑易实现等优点,是旋转机械的基本组成部件。轴承在机械设备中承受载荷，传递载荷,但工作条件最恶劣，是易损零件。据有关资料统计,对于使用滚动轴承的机械设备，故障设备中约有30%是由于滚动轴承损坏引起。出现轴承故障可能导致系统失去某些功能,或造成严重的生产事故。因此,滚动轴承故障诊断技术的研究具有很重要的意义［1］。

可以通过测量振动信号对轴承进行诊断。在传统的处理方法中，例如用傅里叶变换处理非平稳、非线性信号会出现无意义的谐波分量。故障信号经常表现出非平稳的特征,对它们进行傅立叶分析不能兼顾信号在时频域中的全局特征和局部特征［2］。小波变换可以解决傅里叶变换的上述问题。但是在选择小波基函数和分解尺度之后,它的分辨率也确定了,并且其时间分辨率与频率分辨率相互影响,反映信号的局部幅值就无法自适应地变化，缺乏灵活性［3］。

本文提出了一种基于经验模态分解和神经网络的滚动轴承故障诊断方法，适用于分析具有非平稳特征的故障信号，具有较好的灵活性。对于状态复杂的滚动轴承故障的识别也较为准确。先对振动信号进行经验模态分解,拆解为多个平稳的固有模态函数（Intrinsic Mode Function）, 再选取包含主要故障信息的IMF 分量进行进一步分析，时域信号特征量和频谱图峰值对应的频率作为特征量,输入Elman神经网络，便于系统进行自动判断。

1　经验模态分解方法

美国国家宇航局美籍华人黄锷等于1998 年提出了经验模态分解（Empirical Mode Decomposition,缩写EMD）。传统方法中会用无意义的谐波分量来表示非平稳、非线性信号。新方法为自适应信号时频分析方法，没有传统方法的这些缺陷，并具有良好的时频聚焦性。传统分析方法中基函数的幅值不变、频率固定，而EMD允许IMF幅值改变，灵活，信号分析能力强。EMD方法非常适用于非线性和非平稳的过程,具有很高的信噪比［4］。

计算各IMF分量的自相关系数，选取自相关程度最大的IMF分量，对于这个IMF分量采用Hilbert变换，提取机械故障信号包络，可以获得故障特征信息。Hilbert谱图和小波尺度谱图相比，具有更好的频率分辨率，在机械故障振动信号的解调分析中得到了广泛的应用。变换所得解析信号与原始信号相比更为光滑和平缓。

利用EMD方法对信号x（t）进行分析的步骤如

下［5］：

1）计算得局部极大值点和极小值点，用三次样条曲线将局部极大值点和极小值点分别连接起来形成上下包络线；

2）上、下包络线的平均值记为m1，计算h1 =x（t）-m1，如果h1满足IMF的限制条件，那么h1 是x（t）的第1个IMF分量；

3）如果h1不满足IMF条件，则将h1作为原始信号重复步骤1至2，上下包络的平均值为m11，计算h11= h1-m11，直到h1k=h1（k-1）-m1k满足IMF 条件，得到第1个IMF分量c1= h1k；

4）用x（t）减去c1，得到r1=x（t）-c1。将r1作为原始数据按步骤1至4进行分解，得到第2 个IMF分量c2。以此类推，将原始信号转变为n 个IMF分量c1，c2，…，cn和一个趋势项rn（t）的和。

5）选取自相关程度最大的IMF分量，采用Hilbert变换，提取故障信号包络：

2　时域统计参数计算

故障诊断的特征量可以选择振动信号中的一些统计特征参数，它们会随故障的性质及大小发生变化。应用比较广泛的轴承故障特征参数有均方根值、峰值、波形因数、峰值因数、脉冲因数、峭度因数和裕度因数等。但这些特征参数只对早期故障较为敏感,当故障较严重时, 参数值与正常状态值接近,会产生误判问题。

峰值大小可用来反映轴承某一局部故障点的冲击力大小，可以检测表面损伤等原因所造成的冲击性振动。峰值因数能够反映波形的尖峰度。它不受振动信号绝对值大小的影响，不受轴承尺寸和转速的影响。缺陷愈大，峰值因数值也愈大。峭度因数与轴承转速、尺寸、载荷等无关，对冲击信号特别敏感，特别适用于表面损伤类故障的诊断。但是当故障达到一定程度后，各波峰都是同样水平的尖峰脉冲波，峭度因数相对于正常状态时变化较小［6］。

选择峰值因数、脉冲因数、峭度因数和裕度因数作为特征量，计算公式如下［7］：

公式中，x（t）为系统中某个特征点的振动响应信号；n为信号长度。

3　Elman神经网络

BP神经网络学习收敛速度慢，对外部噪声敏感，不能保证收敛到全局最小点。Elman网络是递归神经网络，与BP网络相比，在线辨识能力好，收敛更迅速，动态特性更好。

Elman神经网络结构图如图1所示，描述它的非线性状态空间表达式如下：

图1　Elman神经网络结构

公式中，T是 r维输入矢量，x,xc,y分别是n维隐含层节点单元矢量，n维反馈状态矢量和m维输出节点矢量，w1,w2,w3为不同层间的连接权值，f是隐含层神经元传递函数，g是输出神经元传递函数。网络使用BP算法来修正权值，经过学习和调整，使均方误差函数E（w）达到最小值［8］。

4　故障诊断实例

本设计使用美国凯斯西储大学滚动轴承故障数据，驱动端使用6205-2RS深沟球轴承，驱动端轴承的参数为：轴承转速r=1797r/min；滚珠个数n=9；滚动体直径d=7.938 mm；轴承节径D=39 mm；：滚动体接触角α=0. 在轴承内圈、外圈和滚动体上均采用电火花技术设置不同损伤程度的单点故障。本文主要研究0.3556 mm损伤点故障。

由以上数据计算滚动轴承不同部件故障的特征频率为：

外圈滚道故障频率

内圈滚道故障频率

滚动体故障频率

滚动轴承设置三种不同故障，都设置0.3556 mm直径故障点，在不同负载下（0HP、1HP、2HP）,测量振动信号。对于振动信号数据，利用EMD方法将它分解成多个IMF分量，计算各个分量自相关系数，选取自相关程度最大的IMF分量，对于这个IMF分量采用Hilbert变换，求包络值，产生振动信号Hilbert包络谱。尤其要注意的是，选取合适范围的点进行频谱分析，才能正确识别出滚动体故障［9］。图2为动体故障对应时域图，本设计中选取区域1和区域2的采样点。如果使用1-38000点的数据，得到Hilbert 包络谱如图3所示，峰值对应频率为29.3 Hz,导致误判断。

图2　滚动体故障对应时域图

图3　导致误诊的滚动体故障对应的Hilbert 包络谱

图4　滚动轴承在负载为0时振动信号Hilbert包络谱

从图4的Hilbert包络谱中可以看出，a,c状态的峰值较小,b,d状态的峰值较大，利用峰值可以区别出正常状态、滚动体故障与内圈滚道故障、外圈滚道故障；四种状态峰值对应的频率分别为：29.3,161.1,140.6和108.4，与计算理论值非常接近，利用峰值对应的频率可以区别出滚动轴承的四种工作状态。

图5　Elman神经网络训练过程

表1　滚动轴承时域和频域特征量数据

计算出各种负载条件下各种故障对应的时域特征量，如表1所示，总体上看，外圈滚道故障数值大于内圈滚道故障数值，内圈滚道故障数值大于正常状态数值，正常状态数值和滚动体故障数值相近。

将表1的数据进行归一化处理，再输入神经网络，可以自动识别故障类型和负载程度。本文使用Elman网络进行训练和识别。图5为Elman神经网络训练过程，它表明网络训练成功，训练误差较小。经过测试，可以识别故障和负载程度。

5　结论

（1）通过提取时域和频域信号特征量，综合分析，并经过Elman网络训练，可以较好地识别滚动轴承故障类别和负载大小。

（2）EMD方法对于滚动轴承故障，对内、外圈故障诊断正确率较高，但滚动体故障诊断还存在较多困难。因此，选择合适范围的测量点才可以正确识别出滚动体故障。

（3）由于滚动轴承故障信号非常复杂，同时EMD的理论研究有不足,在分解过程中存在模态混叠，获得的IMF分量并不是严格意义上的单分量信号,在算法改进方面有待进一步研究。

［1］苏文胜.滚动轴承振动信号处理及特征提取方法研究［D］.大连：大连理工大学, 2010.

［2］何斌,戚佳杰,黎明和.小波分析在滚动轴承故障诊断中的应用研究［J］.浙江大学学报（工学版）,2009,43（7）：1218-1221.

［3］刘宗政.滚动轴承的振动特性分析及典型故障诊断［J］.机械设计与制造,2009,（3）：103-105.

［4］张璇.基于小波包和EMD的滚动轴承故障信号分析［D］.北京：北京化工大学,2008.

［5］刘立君,王奇,杨克己,等.基于EMD和频谱校正的故障诊断方法［J］.仪器仪表学报,2011（6）：1278-1283.

［6］张进明.基于EMD和HHT的旋转机械故障诊断方法研究［D］.北京：北京化工大学, 2006.

［7］巫茜, 蔡海尼, 黄丽丰.基于主成分分析的多源特征融合故障诊断方法［J］.计算机科学,2011,38（1）：268-270.

［8］汤宝平,习建民,李锋.基于Elman神经网络的旋转机械故障诊断［J］.计算机集成制造系统,2010,16（10）：2149-2152.

［9］赵海峰,杨国斌.基于振动信号的深沟球轴承滚动体故障诊断研究 ［J］.化工机械,2014,41（3）：291-295.

Research of Application of Empirical Mode Decomposition and Neural Network into Diagnosis of Rolling Bearing Fault

CHEN Song1,CHEN Liai1,2
（1.College of Mechanical and Electrical Engineering,Anhui Jianzhu University,Anhui Hefei 230601；
2.Anhui Guozhen Enviromental protection Science and Technology Co.,Ltd,Hefei 230088）

According to the non-stationary characteristics of vibration signals of rolling bearing fault, a kind of fault diagnosis method of rolling bearing based on empirical mode decomposition is put forward, and signal range is screened. With the empirical mode decomposition, original signal is decomposed into several smooth intrinsic mode functions. The IMF component containing main fault information is selected, and dominate features of the time domain and frequency are analyzed. The time domain signal characteristics and the corresponding spectrum peak frequency have been handled through normalized processing, and then they have beenimported into Elman neural network for automatic judgment of the working state.

Empirical mode decomposition； neural network； bearing； fault diagnosis.

TH165+.3

A

2095-8382（2016）04-064-05

10.11921/j.issn.2095-8382.20160414

2016-01-19

安徽建筑大学校青年科研基金专项（2014XQZ02）,住房与城乡建设部科学技术计划项目（2014-K7-022）,安徽高校自然科学研究重点项目（KJ2016A156）

陈松（1986-），男，硕士，讲师，研究方向为模式识别。