基于改進emd分解與敏感特征選擇的軸承故障診斷方法
【專利摘要】本發(fā)明公開了一種基于改進EMD分解與敏感特征選擇的軸承故障診斷方法，對軸承不同故障狀態(tài)下的原始振動信號進行小波降噪與EMD分解，獲得若干個IMF分量；通過定量計算各IMF分量與原始信號的相關(guān)性大小，選取包含軸承主要故障信息的前h個IMF分量作為提取故障特征信息的對象，并且分別提取IMF分量中的特征參數(shù)構(gòu)成原始特征集；根據(jù)距離評估方法分別確定原始特征集中每個特征的敏感度因子，并且構(gòu)造敏感特征集；將軸承的故障樣本中的訓(xùn)練樣本的敏感特征向量輸入到支持向量機SVM中進行訓(xùn)練，根據(jù)遺傳算法對SVM的核函數(shù)參數(shù)g和懲罰因子c進行優(yōu)化，對測試樣本進行故障識別。本發(fā)明能夠減小故障特征向量的維數(shù)和分類器的計算規(guī)模，提高滾動軸承故障診斷的準(zhǔn)確率。
【專利說明】
基于改進EMD分解與敏感特征選擇的軸承故障診斷方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于軸承的故障診斷技術(shù)領(lǐng)域，具體涉及一種基于改進EMD分解與敏感特 征選擇的軸承故障診斷方法。
【背景技術(shù)】
[0002] 滾動軸承作為旋轉(zhuǎn)機械的重要零件之一，對于保證整個機械系統(tǒng)的可靠運行是極 為重要的，然而由于制造加工過程中存在的誤差以及軸承工作時復(fù)雜惡劣環(huán)境的影響，只 有少部分的軸承能夠達到設(shè)計壽命，軸承出現(xiàn)的故障會造成旋轉(zhuǎn)機械等關(guān)鍵設(shè)備的嚴重事 故，帶來巨大的經(jīng)濟損失和人員傷亡，因此監(jiān)測軸承的運行狀態(tài)以及進行及時的故障診斷， 可以保障旋轉(zhuǎn)機械的正常工作，避免事故的發(fā)生。
[0003] 由于軸承常常工作在復(fù)雜、惡劣、多變的環(huán)境下，其振動信號中包含有大量的背景 噪聲，具有強烈的非線性和非平穩(wěn)性特征，因此需要利用有效的信號處理工具才能提取出 反映軸承故障狀態(tài)的信息。

【發(fā)明內(nèi)容】

[0004] 有鑒于此，本發(fā)明的主要目的在于提供一種基于改進EMD分解與敏感特征選擇的 軸承故障診斷方法。
[0005] 為達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：
[0006] 本發(fā)明實施例提供一種基于改進EMD分解與敏感特征選擇的軸承故障診斷方法， 該方法通過以下步驟實現(xiàn)：
[0007] 步驟1:對軸承不同故障狀態(tài)下的原始振動信號進行小波降噪與EMD分解，獲得若 干個頂F分量；
[0008] 步驟2:通過定量計算各MF分量與原始信號的相關(guān)性大小，選取包含軸承主要故 障信息的前h個IMF分量作為提取故障特征信息的對象，并且分別提取頂F分量中的特征參 數(shù)構(gòu)成原始特征集；
[0009] 步驟3:根據(jù)距離評估方法分別確定原始特征集中每個特征的敏感度因子，并且構(gòu) 造敏感特征集；
[0010] 步驟4:將軸承的故障樣本分為訓(xùn)練和測試樣本，并將訓(xùn)練樣本的敏感特征向量輸 入到支持向量機SVM中進行訓(xùn)練，根據(jù)遺傳算法對SVM的核函數(shù)參數(shù)g和懲罰因子c進行優(yōu) 化，通過訓(xùn)練好的軸承故障診斷模型對測試樣本進行故障識別。
[0011]上述方案中，所述步驟1具體為:對軸承不同故障狀態(tài)下的原始振動信號進行降噪 預(yù)處理，選擇合適的小波基函數(shù)和信號分解層數(shù)，根據(jù)斯坦因無偏似然估計原則確定各層 高頻系數(shù)的閾值，然后采用軟閾值函數(shù)處理高頻系數(shù)，通過小波逆變換重構(gòu)信號，獲得降噪 后的信號。
[0012] 上述方案中，所述步驟1中對降噪后的信號進行EMD分解，其具體步驟為：
[0013] 步驟1.2.1:將降噪后的時域信號作為待分解序列x(t)，并提取其所有的極大值點 和極小值點，分別用三次樣條曲線連接極大值點和極小值點，形成上包絡(luò)線和下包絡(luò)線，上 下包絡(luò)線之間應(yīng)包含全部原始數(shù)據(jù)，求取包絡(luò)均值m，得到信號差值序列
[0014] 步驟1.2.2:1η不滿足本征模態(tài)函數(shù)的兩個條件：（1)在整個數(shù)據(jù)集合中，極值點的 數(shù)目和過零點的數(shù)目必須相等或最多相差一個；（2)由局部極大值和極小值所形成的包絡(luò) 均值都等于零;重復(fù)執(zhí)行步驟1.2.1，將hi作為待分解序列，直到第k次處理所得到的結(jié)果h lk 滿足本征模態(tài)函數(shù)的條件為止；
[0015] 步驟1.2.3:將第一個本征模態(tài)函數(shù)記作ci = hik，得到剩余項ri = x(t)-cij#r^ 為新的原始數(shù)據(jù)，重復(fù)上述步驟，直到第η個剩余項仏小于給定值或成為單調(diào)函數(shù)則EMD分 解過程結(jié)束，最后得到
始信號由這η個不同尺度下的本征模態(tài)函數(shù)和剩 余項組成。
[0016] 上述方案中，所述步驟2具體為：
[0017]步驟2· 1:根據(jù)~((r) = ￡[χ(?)?:(? + Γ)]定量計算EMD分解產(chǎn)生的各MF分量與 原始信號的相關(guān)性大小；
[0018] 式中x(t)為原始信號，Ci(t)為第i個頂F分量，為第i個頂F分量與原始信 號的相關(guān)系數(shù)；
[0019] 步驟2.2:根據(jù)上述計算所得的結(jié)果，在前h個IMF分量的基礎(chǔ)上分別提取其能量 值、奇異值和包絡(luò)樣本熵值。
[0020] 上述方案中，所述步驟2.2具體為：
[0021] 步驟2.2.1:
分別計算各IMF分量的能量值；
[0022]式中x(i)為IMF分量各離散點的幅值，i = 1，2，'"η為IMF分量離散點的個數(shù)，構(gòu)成 的能量特征向量為EziEiEh - jh};
[0023] 步驟2.2.2:對由前h個頂F分量組成的矩陣進行奇異值分解，得到奇異值特征向量 S={Si,S2,---,Sh}；
[0024] 步驟2.2.3:提取頂F分量中包絡(luò)信號的樣本熵值Y= m，Y2，…，Yh}作為特征指標(biāo)；
[0025] 步驟2.2.4:通過上述步驟提取的能量值、奇異值和包絡(luò)信號的樣本熵值，構(gòu)造包 含多個特征的原始特征集FV= {Ei，E2，…，Eh，Si，&，…Sh，Yi，Y2，'"Yh}。
[0026] 上述方案中，所述步驟3中的距離評估方法通過計算若干個類的類間距離與類內(nèi) 距離的比值，評估各個特征的敏感度因子的具體步驟為：
[0027] 步驟3.1:設(shè)樣本共有C類，它們構(gòu)成的特征集ω :，ω 2，…，ω "為：
[0028] {fC)m；k,c = 1,2,1,2,=
[0029] 式中fuk表示第c類第m個樣本的第k個特征，類別個數(shù)為C類，每類有Μ。個樣本，因 此共有C X Μ。個樣本，每個樣本包括Κ個特征，從而共有C X Μ。X Κ個特征，并將此特征集定義 為{fc，m，k};
[0030] 步驟3.2:計算第c類第k個特征的類內(nèi)距離：
[0032]計算所有類別C個類第k個特征的類內(nèi)距離的平均值：
[0034]步驟3.3:計算第c類M。個樣本第j個特征的平均值：
[0036] 步驟3.4:計算第k個特征的評估因子ak:
[0038] 步驟3.5:將上述各特征的評估因子按照從大到小的順序進行排序，ak越大表示該 特征越敏感，C個類的分類效果就越明顯，從敏感度最大的特征開始，并按照叫從大到小的 順序逐一增加特征個數(shù)，分別輸入到SVM中進行訓(xùn)練和測試，在識別率最高的前提下，選擇 對應(yīng)最少特征個數(shù)的指標(biāo)構(gòu)成敏感特征集。
[0039]上述方案中，所述的步驟4具體為：
[0040] 將軸承故障樣本分為訓(xùn)練和測試樣本，選取的測試樣本數(shù)為訓(xùn)練樣本的2倍，將訓(xùn) 練樣本的敏感特征集作為SVM的輸入;根據(jù)遺傳算法優(yōu)化SVM的核函數(shù)參數(shù)g和懲罰因子c。
[0041] 上述方案中，所述遺傳算法的初始種群數(shù)量設(shè)為20,終止迭代的代數(shù)設(shè)置為100。
[0042] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：
[0043] 本發(fā)明應(yīng)用于軸承的故障診斷中，能夠減小故障特征向量的維數(shù)和分類器的計算 規(guī)模，同時大大提高了滾動軸承故障診斷的準(zhǔn)確率。
【附圖說明】
[0044]圖1為SVM的體系結(jié)構(gòu)圖；
[0045] 圖2為本發(fā)明實施例提供一種基于改進EMD分解與敏感特征選擇的軸承故障診斷 方法的流程圖；
[0046] 圖3為疊加高斯白噪聲后的仿真信號時域波形圖；
[0047]圖4為含噪信號的EMD分解結(jié)果；
[0048] 圖5為含噪信號經(jīng)過小波降噪后的時域波形圖；
[0049] 圖6為降噪后信號的EMD分解結(jié)果；
[0050] 圖7為外圈故障程度是0.1778mm的軸承振動信號時域波形圖；
[0051 ]圖8為滾動軸承外圈故障信號經(jīng)過小波降噪后的時域波形圖；
[0052]圖9為滾動軸承外圈故障信號的EMD分解結(jié)果；
[0053]圖10為軸承10種不同狀態(tài)下前8個頂F分量的能量值；
[0054]圖11為軸承10種不同狀態(tài)下前8個頂F分量的奇異值；
[0055] 圖12為軸承10種不同狀態(tài)下前8個頂F分量的包絡(luò)樣本熵值；
[0056] 圖13為原始聯(lián)合特征集中各個特征的敏感度因子；
[0057] 圖14為SVM輸入特征個數(shù)與故障識別率之間的關(guān)系曲線；
[0058]圖15為遺傳算法優(yōu)化SVM分類器參數(shù)的結(jié)果；
[0059]圖16為基于改進EMD與敏感特征集的SVM故障分類結(jié)果；
[0060]圖17為基于傳統(tǒng)EMD與原始特征集的SVM故障分類結(jié)果；
[0061 ]圖18為基于改進EMD與原始特征集的SVM故障分類結(jié)果。
【具體實施方式】
[0062]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖和實施例，對 本發(fā)明進行進一步詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。
[0063]本發(fā)明實施例提供一種基于改進EMD分解與敏感特征選擇的軸承故障診斷方法， 如圖1、2所示，該方法通過以下步驟實現(xiàn)：
[0064] 步驟1:對軸承不同故障狀態(tài)下的原始振動信號進行小波降噪與EMD分解，獲得若 干個頂F分量；
[0065] 具體地，對軸承不同故障狀態(tài)下的原始振動信號進行降噪預(yù)處理，選擇合適的小 波基函數(shù)和信號分解層數(shù)，根據(jù)斯坦因無偏似然估計原則確定各層高頻系數(shù)的閾值，然后 采用軟閾值函數(shù)處理高頻系數(shù)，通過小波逆變換重構(gòu)信號，獲得降噪后的信號。
[0066] 對降噪后的信號進行EMD分解，其具體步驟為：
[0067] 步驟1.2.1:將降噪后的時域信號作為待分解序列x(t)，并提取其所有的極大值點 和極小值點，分別用三次樣條曲線連接極大值點和極小值點，形成上包絡(luò)線和下包絡(luò)線，上 下包絡(luò)線之間應(yīng)包含全部原始數(shù)據(jù)，求取包絡(luò)均值m，得到信號差值序列
[0068] 步驟1.2.2: -般情況下In不滿足本征模態(tài)函數(shù)的兩個條件：（1)在整個數(shù)據(jù)集合 中，極值點的數(shù)目和過零點的數(shù)目必須相等或最多相差一個；（2)由局部極大值和極小值所 形成的包絡(luò)均值都等于零;重復(fù)執(zhí)行步驟1.2.1，將In作為待分解序列，直到第k次處理所得 到的結(jié)果h lk滿足本征模態(tài)函數(shù)的條件為止；
[0069] 步驟1.2.3:將第一個本征模態(tài)函數(shù)記作ci = hik，得到剩余項ri = x(t)-ciJ#rHt 為新的原始數(shù)據(jù)，重復(fù)上述步驟，直到第η個剩余項仏小于給定值或成為單調(diào)函數(shù)則EMD分 解過程結(jié)束，最后得致，原始信號由這η個不同尺度下的本征模態(tài)函數(shù)和剩 余項組成。
[0070]步驟2:通過定量計算各MF分量與原始信號的相關(guān)性大小，選取包含軸承主要故 障信息的前h個IMF分量作為提取故障特征信息的對象，并且分別提取頂F分量中的特征參 數(shù)構(gòu)成原始特征集；
[0071]具體地，為了充分挖掘隱藏在軸承振動信號中的故障信息，準(zhǔn)確、全面的反映軸承 的故障狀態(tài)，分別提取了MF分量的能量值、奇異值和包絡(luò)樣本熵值等特征參數(shù)構(gòu)成原始特 征集；
[0072]所述步驟2具體為：
[0073] 步驟2.1:根據(jù)+ Γ幻定量計算EMD分解產(chǎn)生的各MF分量與 原始信號的相關(guān)性大??；
[0074] 式中x(t)為原始信號，Ci⑴為第i個頂F分量，為第i個頂F分量與原始信 號的相關(guān)系數(shù)；
[0075] 步驟2.2:根據(jù)上述計算所得的結(jié)果，在前h個IMF分量的基礎(chǔ)上分別提取其能量 值、奇異值和包絡(luò)樣本熵值。
[0076]所述步驟2.2具體為：
[0077]步驟2.2.1:當(dāng)軸承出現(xiàn)不同類型的故障時，會激起相應(yīng)的固有頻率，振動信號的 頻率分布會發(fā)生變化，同時故障振動信號的能量也會隨頻率的分布情況產(chǎn)生變化，根據(jù)
分別計算各IMF分量的能量值；
[0078]式中x(i)為IMF分量各咼散點的幅值，i = 1，2，'"η為IMF分量咼散點的個數(shù)，構(gòu)成 的能量特征向量為EziEiEh - jh};
[0079] 步驟2.2.2:奇異值分解是一種正交化的分解方法，由矩陣理論可知，矩陣的奇異 值是矩陣的固有特征，它具有較好的穩(wěn)定性，當(dāng)矩陣元素發(fā)生小的變動時，矩陣奇異值變化 很小。軸承出現(xiàn)不同類型的故障，由IMF分量構(gòu)成的初始特征向量矩陣的奇異值會發(fā)生變 化，因此對由前h個IMF分量組成的矩陣進行奇異值分解，得到奇異值特征向量S = {Si， S2,…，Sh};
[0080] 步驟2.2.3::軸承出現(xiàn)故障時，損傷點與軸承元件表面接觸會產(chǎn)生一系列脈沖力， 脈沖力的產(chǎn)生頻率即為故障特征頻率，而軸承系統(tǒng)的固有振動頻率比故障特征頻率高得 多，故障信息隱藏在調(diào)制信號中，因此通過對MF分量進行Hilbert包絡(luò)解調(diào)，提取出的包絡(luò) 信號就包含有主要的故障信息，物理意義會更加突出，同時，樣本熵作為一種非線性參數(shù)識 別方法，不依賴數(shù)據(jù)的長度，它是時間序列復(fù)雜度的一種度量，具有較好的穩(wěn)定性，故提取 頂F分量中包絡(luò)信號的樣本熵值Y= {Yi，Y2，…，Yh}作為特征指標(biāo)；
[0081 ]步驟2.2.4:通過上述步驟提取的能量值、奇異值和包絡(luò)信號的樣本熵值，構(gòu)造包 含多個特征的原始特征集FV= {Ei，E2，…，Eh，Si，&，…Sh，Yi，Y2，'"Yh}。
[0082] 步驟3:根據(jù)距離評估方法分別確定原始特征集中每個特征的敏感度因子，并且構(gòu) 造敏感特征集；
[0083] 具體地，由于原始特征集中既包括對軸承各故障狀態(tài)敏感的特征，也有一部分對 故障分類并無多大貢獻的冗余特征，利用距離評估方法分別計算每個特征的敏感度因子構(gòu) 造敏感特征集。
[0084]所述步驟3中的距離評估方法通過計算若干個類的類間距離與類內(nèi)距離的比值， 評估各個特征的敏感度因子;對于某個特征，若同一類不同樣本之間的平均類內(nèi)距離越小， 不同類樣本的平均類間距離越大，則該特征越敏感，分類效果就越好，具體步驟為：
[0085] 步驟3.1:設(shè)樣本共有C類，它們構(gòu)成的特征集ω :，ω 2，…，ω "為：
[0086] {fc，m，k，c = l，2，."，C;m=l，2, = ···，!(}
[0087] 式中fuk表示第c類第m個樣本的第k個特征，類別個數(shù)為C類，每類有Μ。個樣本，因 此共有C X Μ。個樣本，每個樣本包括K個特征，從而共有C X Μ。X K個特征，并將此特征集定義 為{fc，m，k};
[0088]步驟3.2:計算第c類第k個特征的類內(nèi)距離：
[0090]計算所有類別C個類第k個特征的類內(nèi)距離的平均值：
[0092]步驟3.3:計算第c類M。個樣本第j個特征的平均值：
[0094] 步驟3.4:計算第k個特征的評估因子ak:
[0096] 步驟3.5:將上述各特征的評估因子按照從大到小的順序進行排序，ak越大表示該 特征越敏感，C個類的分類效果就越明顯，從敏感度最大的特征開始，并按照叫從大到小的 順序逐一增加特征個數(shù)，分別輸入到SVM中進行訓(xùn)練和測試，在識別率最高的前提下，選擇 對應(yīng)最少特征個數(shù)的指標(biāo)構(gòu)成敏感特征集。特征集；
[0097]步驟4:將軸承的故障樣本分為訓(xùn)練和測試樣本，并將訓(xùn)練樣本的敏感特征向量輸 入到支持向量機SVM中進行訓(xùn)練，根據(jù)遺傳算法對SVM的核函數(shù)參數(shù)g和懲罰因子c進行優(yōu) 化，通過訓(xùn)練好的軸承故障診斷模型對測試樣本進行故障識別。
[0098] 具體地，將軸承故障樣本分為訓(xùn)練和測試樣本，選取的測試樣本數(shù)為訓(xùn)練樣本的2 倍，將訓(xùn)練樣本的敏感特征集作為SVM的輸入;根據(jù)遺傳算法優(yōu)化SVM的核函數(shù)參數(shù)g和懲罰 因子c〇
[0099] 所述遺傳算法作為一種有效的全局優(yōu)化工具，即使在所定義的適應(yīng)度函數(shù)不連續(xù) 或者有噪聲干擾的情況下，它也能找到整體的最優(yōu)解，具有較強的魯棒性和實用性。
[0100] 所述遺傳算法的初始種群數(shù)量設(shè)為20,終止迭代的代數(shù)設(shè)置為100。
[0101] 實施例1:
[0102] 本發(fā)明通過以下仿真實驗說明改進EMD的分解效果。仿真信號的數(shù)學(xué)表達式為:x (t)=cos[2JiX 20t+0.2sin(2JiX l0t) ]+sin(2JiX60t)，該信號的采樣頻率為3600Hz，采樣 時間為〇.8s，由基頻為20Hz，調(diào)頻為10Hz的調(diào)制信號和頻率為60Hz的正弦信號疊加而成。對 仿真信號疊加信噪比為l〇db的高斯白噪聲，它的時域波形如圖3所示，圖4是其EMD分解結(jié) 果，可以看出分解產(chǎn)生了 9個MF分量，其中頂F4和頂F5分別對應(yīng)仿真信號中的60Hz正弦信 號和20Hz調(diào)制信號，由于噪聲的干擾這兩個頻率成分發(fā)生了失真，同時前3個MF分量是原 始信號中不存在的頻率成分，由此可見分解效果不理想。
[0103] 對含噪信號進行改進EMD分解，其小波降噪后的時域波形如圖5所示，EMD的分解結(jié) 果如圖6所示，頂F1和頂F2分別對應(yīng)仿真信號中的兩個主要頻率成分，同時信號波形沒有發(fā) 生失真，可見改進EMD分解可以將原始信號中的真實組成分量按照從高頻到低頻的順序分 解出來，不但消除了多余的MF分量，還擺脫了噪聲干擾帶來的誤差累積，有效改善了傳統(tǒng) EMD分解的效果。
[0104] 實施例2:
[0105] (1)滾動軸承數(shù)據(jù)來源
[0106] 本發(fā)明所使用的實驗數(shù)據(jù)來源于美國凱斯西儲大學(xué)軸承數(shù)據(jù)中心，軸承的振動信 號通過安裝在電動機驅(qū)動端軸承座附近的振動加速度傳感器測得，由一個16通道的數(shù)據(jù)采 集卡對振動信號進行采集，采樣頻率為12KHz，共采集軸承10種狀態(tài)下的數(shù)據(jù)，每種狀態(tài)包 括29個樣本，每個樣本有4096個數(shù)據(jù)點，具體數(shù)據(jù)集分類如下表1所示：
[0107] 表1軸承故障樣本數(shù)據(jù)分類
[0109] (2)軸承振動信號處理與特征提取
[0110] 對軸承10種狀態(tài)下的振動信號進行改進EMD分解。首先對每種狀態(tài)下每個樣本數(shù) 據(jù)進行小波降噪處理，在本實例中選用dblO小波基函數(shù)，分解層數(shù)為4層，然后對降噪后的 信號進行EMD分解。這里以軸承外圈故障程度為0.1778mm的信號為例，其原始信號與降噪后 的信號分別如圖7、圖8所示，從圖中可以看出，經(jīng)過降噪處理后，高頻背景噪聲被有效去除， 同時也保留了有用的周期性外圈故障信息，說明小波變換在信號降噪方面的有效性。圖9是 該外圈故障信號降噪后EMD分解的結(jié)果，由圖可知，分解產(chǎn)生了 12個頂F分量和一個余項，它 們按照頻率從高到低的順序依次被分解出來。通過計算各IMF分量與原始信號的相關(guān)系數(shù)， 發(fā)現(xiàn)前8個IMF分量與原始信號的相關(guān)性最大，說明它們包含了最主要的故障信息，故以它 們?yōu)閷ο筮M行特征提取。 分別計算前8個IMF分量的能量值、奇異值和包絡(luò)樣本熵值，構(gòu)成包含24個參數(shù)的 原始聯(lián)合特征集。圖10、圖11和圖12分別表示了軸承在10種狀態(tài)下單個樣本的各個特征指 標(biāo)，可以看出前4個IMF分量的特征值具有較好的分類辨識度，能將10種不同狀態(tài)較好的進 行區(qū)分，而后4個頂F分量在軸承不同狀態(tài)下的特征值卻十分接近，對故障分類比較模糊。由 此可見一些特征對軸承故障分類不敏感，因此需要從中選擇敏感指標(biāo)進行故障診斷。
[0112] (3)基于距離評估方法的敏感特征選擇
[0113]利用上面提出的距離評估方法，分別計算原始特征集中24個特征的敏感度因子如 圖13所示。將它們的敏感度因子按照從大到小的順序進行排序，從最敏感的特征開始，按照 順序逐一增加特征個數(shù)，輸入到SVM中進行訓(xùn)練和測試，最終得到的輸入特征個數(shù)與分類器 識別準(zhǔn)確率的關(guān)系曲線如圖14所示。
[0114] 分析曲線可知，開始時利用前兩個最敏感特征的識別準(zhǔn)確率不到80%，識別效果 較差，隨著特征個數(shù)的增加，分類器的識別率也逐漸提高，當(dāng)輸入特征個數(shù)為6個時，識別率 最高達到了99.474%，之后再增加特征個數(shù)，SVM的分類準(zhǔn)確率有所下降，說明隨后增加的 特征對軸承的10種狀態(tài)分類不敏感，它們的差別變得越來越模糊，因此通過距離評估方法 可以選擇對診斷對象幾種狀態(tài)分類敏感的特征，篩除對分類貢獻率小甚至?xí)档头诸悳?zhǔn)確 率的不敏感特征，得到理想的分類效果。
[0115] 本發(fā)明將前6個特征組成敏感特征集對軸承各狀態(tài)進行識別，既可以使SVM的識別 率達到最高，同時又將特征向量維數(shù)從24降低到6,大大減少了分類器的計算量，降低了特 征的冗余度。敏感特征集包含的特征如表2所示：
[0116] 表2滾動軸承故障診斷選取的敏感特征
[0118] 注:*表示軸承故障診斷選取的敏感特征，+表示未選取的特征。
[0119] (4)軸承故障診斷
[0120]將敏感特征集輸入到SVM中，通過訓(xùn)練樣本對分類器進行訓(xùn)練，選用RBF核函數(shù)，利 用遺傳算法對SVM的核函數(shù)參數(shù)g和懲罰因子c進行優(yōu)化，圖15是遺傳算法的優(yōu)化曲線，訓(xùn)練 集的最優(yōu)分類準(zhǔn)確率為95%，核函數(shù)參數(shù)和懲罰因子為c = 63.9653，g = 77.6358。然后利用 訓(xùn)練好的模型對測試樣本進行分類，結(jié)果如圖16所示，分類準(zhǔn)確率為99.4737%，190個樣本 中只有一個分類錯誤，體現(xiàn)了該故障診斷模型的有效性和可靠性。
[0121] (5)對比分析
[0122] 1.為了更加直觀地說明本發(fā)明提出的改進EMD方法在軸承故障診斷中的效果，將 分別利用傳統(tǒng)EMD和改進EMD分解提取的原始特征集輸入到SVM中進行故障診斷，診斷結(jié)果 分別如圖17和圖18所示。它們的故障識別率分別為88.4211 %和93.1579%，利用傳統(tǒng)EMD分 解進行故障診斷，190個樣本中22個分類出錯，而利用本發(fā)明提出的改進EMD方法進行診斷， 只有13個樣本分類錯誤，可見該方法可以提高軸承故障的識別率。
[0123] 2.為了體現(xiàn)選擇敏感特征的必要性，在基于改進EMD分解的基礎(chǔ)上，本發(fā)明也將利 用原始特征集和敏感特征集進行診斷的結(jié)果進行了對比。分析圖16和圖18的分類結(jié)果，可 以明顯看出利用距離評估選擇的敏感特征集進行故障分類的準(zhǔn)確率更加理想，識別率從 93 · 1579% 提高到了99 · 4737%。
[0124] 同時表3列出了利用各方法進行故障診斷的程序運行時間以及它們的分類準(zhǔn)確 率，可見在基于改進EMD分解以及敏感特征選擇方法的基礎(chǔ)上進行軸承故障診斷的效果最 為理想，識別率最高且程序運行時間最短，很大程度上降低了分類器的計算負擔(dān)。
[0125] 表3各方法識別準(zhǔn)確率與程序運行時間對比
[0127]以上所述，僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。
【主權(quán)項】
1. 一種基于改進EMD分解與敏感特征選擇的軸承故障診斷方法，其特征在于，該方法通 過W下步驟實現(xiàn)： 步驟1:對軸承不同故障狀態(tài)下的原始振動信號進行小波降噪與EMD分解，獲得若干個 IMF分量； 步驟2:通過定量計算各IMF分量與原始信號的相關(guān)性大小，選取包含軸承主要故障信 息的前h個IMF分量作為提取故障特征信息的對象，并且分別提取IMF分量中的特征參數(shù)構(gòu) 成原始特征集； 步驟3:根據(jù)距離評估方法分別確定原始特征集中每個特征的敏感度因子，并且構(gòu)造敏 感特征集； 步驟4:將軸承的故障樣本分為訓(xùn)練和測試樣本，并將訓(xùn)練樣本的敏感特征向量輸入到 支持向量機SVM中進行訓(xùn)練，根據(jù)遺傳算法對SVM的核函數(shù)參數(shù)g和懲罰因子C進行優(yōu)化，通 過訓(xùn)練好的軸承故障診斷模型對測試樣本進行故障識別。2. 根據(jù)權(quán)利要求1所述的基于改進EMD分解與敏感特征選擇的軸承故障診斷方法，其特 征在于，所述步驟1具體為:對軸承不同故障狀態(tài)下的原始振動信號進行降噪預(yù)處理，選擇 合適的小波基函數(shù)和信號分解層數(shù)，根據(jù)斯坦因無偏似然估計原則確定各層高頻系數(shù)的闊 值，然后采用軟闊值函數(shù)處理高頻系數(shù)，通過小波逆變換重構(gòu)信號，獲得降噪后的信號。3. 根據(jù)權(quán)利要求1或2所述的基于改進EMD分解與敏感特征選擇的軸承故障診斷方法， 其特征在于，所述步驟1中對降噪后的信號進行EMD分解，其具體步驟為： 步驟1.2.1:將降噪后的時域信號作為待分解序列x(t)，并提取其所有的極大值點和極 小值點，分別用Ξ次樣條曲線連接極大值點和極小值點，形成上包絡(luò)線和下包絡(luò)線，上下包 絡(luò)線之間應(yīng)包含全部原始數(shù)據(jù)，求取包絡(luò)均值mi，得到信號差值序列hi = x(t)-mi; 步驟1.2.2 :hi不滿足本征模態(tài)函數(shù)的兩個條件：（1)在整個數(shù)據(jù)集合中，極值點的數(shù)目 和過零點的數(shù)目必須相等或最多相差一個；（2)由局部極大值和極小值所形成的包絡(luò)均值 都等于零;重復(fù)執(zhí)行步驟1.2.1，將hi作為待分解序列，直到第k次處理所得到的結(jié)果hik滿足 本征模態(tài)函數(shù)的條件為止； 步驟1.2.3:將第一個本征模態(tài)函數(shù)記作(31 = }111^，得到剩余項^ = ^(〇-(31，將^作為新 的原始數(shù)據(jù)，重復(fù)上述步驟，直到第η個剩余項rn小于給定值或成為單調(diào)函數(shù)則EMD分解過 程結(jié)束，最后得3原始信號由運η個不同尺度下的本征模態(tài)函數(shù)和剩余項 組成。4. 根據(jù)權(quán)利要求3所述的基于改進EMD分解與敏感特征選擇的軸承故障診斷方法，其特 征在于，所述步驟2具體為： 步驟2.1:根據(jù)定量計算EMD分解產(chǎn)生的各IMF分量與原始 信號的相關(guān)性大?。? 式中x(t)為原始信號，ci(t)為第i個IMF分量，為第i個IMF分量與原始信號的相 關(guān)系數(shù)； 步驟2.2:根據(jù)上述計算所得的結(jié)果，在前h個IMF分量的基礎(chǔ)上分別提取其能量值、奇 異值和包絡(luò)樣本賭值。5. 根據(jù)權(quán)利要求4所述的基于改進EMD分解與敏感特征選擇的軸承故障診斷方法，其特 征在于，所述步驟2.2具體為： 步驟2.2.1:根據(jù)分別計算各IMF分量的能量值； 式中x(i)為IMF分量各離散點的幅值，? = 1，2，···η為IMF分量離散點的個數(shù)，構(gòu)成的能 量特征向量為E=巧i，E2，···，Eh}; 步驟2.2.2:對由前h個IMF分量組成的矩陣進行奇異值分解，得到奇異值特征向量S = (Si,S2，···，Sh}; 步驟2.2.3:提取IMF分量中包絡(luò)信號的樣本賭值Υ= {Υι，Υ2，···，化Η乍為特征指標(biāo)； 步驟2.2.4:通過上述步驟提取的能量值、奇異值和包絡(luò)信號的樣本賭值，構(gòu)造包含多 個特征的原始特征集FV=巧1瓜，…，Eh，Si，S2，…Sh，Yi，Υ2，…化}。6. 根據(jù)權(quán)利要求5所述的基于改進EMD分解與敏感特征選擇的軸承故障診斷方法，其特 征在于，所述步驟3中的距離評估方法通過計算若干個類的類間距離與類內(nèi)距離的比值，評 估各個特征的敏感度因子的具體步驟為： 步驟3.1:設(shè)樣本共有C類，它們構(gòu)成的特征集ωι，ω 2，···，ωη為： {fc,m,k,c=l ,2,··· ,C；m=l ,2,··· ,Mc；k=l ,2,··· ,Κ} 式中fc,m,讀示第c類第m個樣本的第k個特征，類別個數(shù)為C類，每類有Me個樣本，因此共 有C X M。個樣本，每個樣本包括K個特征，從而共有C X M。X K個特征，并將此特征集定義為 {fc,m,k}； 步驟3.2:計算第C類第k個特征的類內(nèi)距離：步驟3.5:將上述各特征的評估因子按照從大到小的順序進行排序，Qk越大表示該特征 越敏感，C個類的分類效果就越明顯，從敏感度最大的特征開始，并按照Qk從大到小的順序 逐一增加特征個數(shù)，分別輸入至化VM中進行訓(xùn)練和測試，在識別率最高的前提下，選擇對應(yīng) 最少特征個數(shù)的指標(biāo)構(gòu)成敏感特征集。7. 根據(jù)權(quán)利要求6所述的基于改進EMD分解與敏感特征選擇的軸承故障診斷方法，其特 征在于，所述的步驟4具體為： 將軸承故障樣本分為訓(xùn)練和測試樣本，選取的測試樣本數(shù)為訓(xùn)練樣本的2倍，將訓(xùn)練樣 本的敏感特征集作為SVM的輸入;根據(jù)遺傳算法優(yōu)化SVM的核函數(shù)參數(shù)g和懲罰因子C。8.根據(jù)權(quán)利要求7所述的基于改進EMD分解與敏感特征選擇的軸承故障診斷方法，其特 征在于:所述遺傳算法的初始種群數(shù)量設(shè)為20,終止迭代的代數(shù)設(shè)置為100。
【文檔編號】G01M13/04GK106092574SQ201610369198
【公開日】2016年11月9日
【申請日】2016年5月30日
【發(fā)明人】丁鋒, 栗祥, 瞿金秀, 程文冬, 韓興本
【申請人】西安工業(yè)大學(xué)