基于SαS和SVM方法的滑动油膜轴承故障诊断预测

王晚英

(咸宁职业教育(集团)学校，湖北 咸宁 437000)

0 引言

为了有效监测滑动油膜轴承运行状况，需对其进行故障信号分析，这就要求对故障信号进行准确收集[1-3]。在轴承出现损伤而引起故障情况下，与正常运行工况相比，会产生剧烈变化，此时收集到的轴承信号中存在同类故障的不同损伤信号[4-7]。因为机械信号存在明显的随机性，这使其呈现非高斯性的变化特征，考虑到α稳态(α-stable,αS)分布能够针对非高斯信号高效处理，因此该方法被广泛引入信号处理领域[8-10]。

对称α稳态分布(symmetricα-stable, SαS)方法[11]属于一种建立在广义中心极限定理基础上的非高斯信号分析方法。国内学者李长宁[12]重点分析了SαS的统计规律，并根据SαS特点构建了一套高效的信号建模理论，该理论可以把建立在主观判断基础上的概率密度拟合优度检验方法扩展为根据SαS特征函数实现的客观拟合优度检验方法。之后，余香梅等[13]为分析齿轮箱故障信号中存在的大量非高斯脉冲信号，以SαS的特征参数作为识别故障类型的特征参数，同时验证表明SαS具备比高斯分布更强的实用性。唐友福等[14]根据往复压缩机信号存在非高斯脉冲特性情况，利用分数低阶统计量提取得到特征信息。

针对发电机轴承故障诊断方面，尚未有学者利用SαS法来分析其信号或开展故障识别方面的研究工作[15]。考虑到SαS特征非常适合对轴承进行故障诊断研究，根据以上研究结果，本文分析了轴承发生故障时形成的信号特征，同时构建了数学模型，采用滑动油膜轴承实测信号作为测试信号，对故障进行了诊断分析。

1 模型建立

1.1 建立故障模拟

选择SMS162250LB型滑动油膜轴承作为实验对象，表1给出了该轴承的各项参数。

表1 轴承参数

1.2 诊断方案设计

获得轴承故障模拟后，根据故障种类建立原始信号，分别得到内环故障、外环故障与滚动体故障的信号样本；同时对各组样本信号按照逐段增加与总体估计的方式进行处理，每当信号长度增加后就同步完成一次总体参数估计，获得各组样本α参数的变化信息；之后再预测α参数的变化情况，通过拟合方式获得各组信号样本的α参数特征，获得样本的特征分量；再把诊断样本输入到支持向量机(support vector machine, SVM)分类预测诊断程序内计算得到诊断结果，具体流程见图1。

图1 故障诊断方案流程图

1.3 预测方法

按照现有实际数据对数学模型实施多项式拟合，获得多项式参数。利用最小二乘法拟合如下：

(1)

(2)

(3)

式(3)是p多元函数。按照多元函数计算极值的必要条件得到线性方程矩阵：

(4)

求解上式得到pk。对油膜轴承进行故障诊断时，通过数学拟合获得α参数特征，再以该特征信息完成故障诊断。

2 结果分析

2.1 轴承信号分析

从原始信号中选取100组样本作为分析对象。为样本建立模拟再对其过渡处理。

图2是内环故障信号处理前后波形。获得模拟样本之后，按照每组数据增加128个就对其开展一次α参数估计，得到图3中的α值与γ值变化信息。该组样本α与γ基本保持稳态，而发生内环损伤时方式会明显改变，同时发现当损伤程度加大后，α值发生了持续减小，而γ值发生持续增大的变化特征。随故障程度的增大，信号分布也会发生变化。应将α参数拟合的阶数k设定在3～5合理范围内。设定k为4，再拟合各组α和γ参数，得到表2所示的α和γ参数多项式拟合参数，实测集和预测集各测试3组。

图2 内环故障信号处理前后波形

图3 内环故障信号α值和γ值分布

表2 部分诊断样本

图4给出了SVM的预测诊断结果(图中1表示内环；2表示滚动体；3表示外环)，发现测试集准确率达到92%。图5是通过交叉验证法选取SVM参数情况(图中1表示内环；2表示外环)。

图4 SVM 默认参数下的故障诊断结果

图5 交叉验证法SVM预测故障诊断结果

根据图5可知，测试集被全部正确分类，获得了100%的准确率。这是因为轴承信号中存在明显的故障特征，测试获得了显著的效果。测试表明本文设计的方法达到了有效性与准确性要求。

2.2 油膜轴承信号分析

在实际运行过程中，滑动油膜轴承的故障信号只包含正常、内环、外环3类，并且都是在没有发生损伤情况下采集获得。对内环故障进行分析时，内环故障滤波信号见图6。可以看到，到达0.13 s时，信号突变性显著减弱。

图6 内环故障滤波信号

以模拟作为信号样本并对其实施分组，分别得到40组内环与外环故障构成的信号样本。图7(a)是对内环故障α值进行拟合所得结果，图7(b)给出了外环故障一组的α值与拟合结果。内环与外环故障形成了不同的4阶拟合图形，可将其作为故障诊断样本。

图7 动态α值变化信息

表3给出了不同SVM参数故障诊断结果。将内、外总共40组诊断样本作为训练集输入SVM预测诊断程序完成训练后，获得故障诊断训练模型，之后通过此模型诊断测试；遗传算法(genetic algorithm, GA)取自于文献[16]。根据表3可以发现，以SVM预测诊断程序诊断测试集时，默认SVM参数下内环和外环达到的诊断准确率分别为77.4%和80.2%；当选择SαS和SVM方法进行处理时，内环和外环诊断准确率依次达到94.2%与95.3%，准确率发生了显著提升。当准确率达到90%以上时便能够满足油膜轴承故障诊断的需求。以上测试结果表明，利用本文方法可以有效、准确地诊断出滑动油膜轴承的故障。

表3 不同SVM参数故障诊断准确率 单位：%

3 结语

本文利用SαS法设计了轴承故障诊断方法，再把诊断样本输入到SVM多类分类器内完成训练与预测过程，实现油膜轴承故障诊断。开展了滑动油膜轴承实测信号验证，验证发现采用本文方法可以对故障下形成的轴承信号进行准确诊断，为轴承的故障诊断提供了理论参考依据。