CN105424366A - 基于eemd自适应消噪的轴承故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于EEMD自适应消噪的轴承故障诊断方法。首先，采用EEMD对加速度传感器采集的轴承原始振动信号进行分解；然后通过互相关系数筛选出包含主要故障信息的IMF分量，以主要故障信息的IMF能量值作为BP神经网络的输入参数训练，建立轴承故障诊断BP神经网络模型。该方法的分类诊断精度高、速度快、效率高，有效提升了轴承故障诊断的效果，并且便于工程实践应用。

Description

基于EEMD自适应消噪的轴承故障诊断方法

技术领域：

本发明属于机械设备故障诊断领域，具体涉及基于EEMD自适应消噪的轴承故障诊断方法。

背景技术：

滚动轴承是旋转机械中应用最为广泛的关键零部件之一，其运行状态直接影响整个机器的精度、安全性、可靠性，因此滚动轴承的状态监测和故障诊断具有十分重要的现实意义。

传统的时域信号分析参数如幅值、均值、均方值、方差对故障敏感度低；频域分析方法如频谱分析、倒频谱分析、包络分析主要针对平稳信号处理，不能反映全部故障信息；目前常用的时频处理方式如Wigner分布在对多分量信号分析时会产生交叉干扰项，造成时频信号特征模糊不清现象；短时傅里叶变换的时频窗口固定不变，时频分辨率不高；小波变换缺乏自适应性。EMD存在模态混叠、端点效应等问题。EEMD方法继承了EMD的自适应性，还有效解决了EMD方法的模态混叠问题，并且利用互相关系数筛选包含主要故障信息的IMF分量达到自适应消噪，抑制正常信息，突出故障信息的效果。

利用相关性和峭度的门限值设定实现消噪的方法已被广泛采用，但该方法主要依赖于主观经验和大量尝试，缺乏自适应性。本发明提出基于EEMD与互相关系数的自适应消噪方法。关于神经网络的改进方法已有大量的研究成果，想进一步针对神经网络本身进行改进提高诊断效果，难度较大。为此，本发明考虑从故障特征提取的角度来研究改进提高神经网络的分类诊断效果。本发明基于EEMD自适应消噪的轴承故障诊断方法，利用互相关系数筛选包含主要故障信息的IMF分量，突显故障信息，达到自适应消噪效果，其输入特征可分性强、维数低、故障诊断BP神经网络规模小、网络模型鲁棒性强，有效提高了轴承故障诊断的效率与准确性。

发明内容：

本发明基于EEMD自适应消噪的轴承故障诊断方法，解决故障信息干扰问题，提高故障诊断效果，实现轴承故障的高精度分类与诊断。

本发明基于EEMD自适应消噪的轴承故障诊断方法技术方案，包括以下三个步骤：

步骤1，利用加速度传感器采集轴承振动信号，得到的信号包括内圈故障、外圈故障、正常状态3种状态；

步骤2，对原始信号进行EEMD分解，利用互相关系数筛选包含主要故障信息的IMF分量，计算其能量特征值；

步骤3，以其能量特征值作为BP神经网络的输入量，构造BP神经网络，采用已知样本对网络进行训练以建立基于BP神经网络的故障诊断模型，采用该故障诊断模型对机械设备的健康状态进行诊断识别。

所述步骤2中采用EEMD对步骤1中传感器采集的轴承原始振动信号x(t)进行分解：

(1)给原始信号x(t)添加一白噪声；

(2)EMD分解加噪声后的信号，得到各个IMF分量；

(3)重复执行步骤(1)和(2)，但每次所加的白噪声不同；

(4)取多次分解得到的各IMF分量的均值作为最后的结果。

分别计算第i个IMF分量c_i(t)与原始信号x(t)和正常状态信号x′(t)之间的互相关系数α_i、β_i，筛选包含主要故障信息的IMF分量，达到自适应消噪的目的：

IMF分量能量 $E_i=\underset{-\mathrm{\∞}}{\overset{+\mathrm{\∞}}{\∫}}{\left|c_i\left(t\right)\right|}^{2}dt,(i=1,2,...8)$

考虑到能量数值较大，为便于后续分析处理，对其进行归一化处理：

$E=\underset{i=1}{\overset{8}{\Σ}}{\left(\right|E_i^2\left|\right)}^{1/2}$

构造一个特征向量T：

T＝[E₁/E,E₂/E,E₃/E,E₄/E,E₅/E,E₆/E,E₇/E,E₈/E]

所述步骤3中将特征向量T作为神经网络的输入，以内圈故障、外圈故障、正常状态3种模式作为输出，确定网络结构，对网络进行训练。

本发明的有益效果如下：

1、本发明针对滚动轴承振动信号非线性以及非平稳性采用自适应时频分析方法EEMD进行分解，有效克服传统信号处理方法难以自适应和完全展示故障信息的问题。

2、利用互相关系数筛选包含主要故障信息的IMF量，抑制正常信息量，突出故障信息量，达到自适应消噪效果。

3、提取EEMD分解后的包含主要故障信息IMF分量的能量特征值作为神经网络的特征参数，简化网络结构，提高诊断速度和精度。

该方法的分类诊断精度高、速度快、效率高，有效提升了轴承故障诊断的效果，并且便于工程实践中使用。

附图说明：

图1基于EEMD自适应消噪的轴承故障诊断方法流程的示意图。

图2小波包与神经网络方法测试结果。

图3EMD与神经网络方法测试结果。

图4EEMD与神经网络方法测试结果。

具体实施方式：

下面结合附图和具体实施方式对本发明进行详细说明。

如附图1所示，具体步骤如下：

(1)利用加速度传感器对轴承3种运行状态(内圈故障、外圈故障、正常)原始振动信号进行采集；

(2)对原始信号进行EEMD分解，得到各个IMF分量；

h₁(t)＝x(t)-m₁(t)

r₁(t)＝x(t)-c₁(t)

r₂(t)＝r₁(t)-c₂(t)(1)

r₃(t)＝r₂(t)-c₃(t)

..

..

..

r_n(t)＝r_n-1(t)-c_n(t)

分别计算第i个IMF分量c_i(t)与原始信号x(t)和正常状态信号x′(t)之间的互相关系数α_i、β_i，筛选包含主要故障信息的IMF分量：

α_i＝c_i(t)/x(t)(2)

β_i＝c_i(t)/x′(t)(3)

${\stackrel{\‾}{\mathrm{\λ}}}_i={\mathrm{\α}}_i-{\mathrm{\β}}_i---\left(4\right)$

${\mathrm{\λ}}_i={\stackrel{\‾}{\mathrm{\λ}}}_i/\underset{i=1}{\overset{n}{\Σ}}{\stackrel{\‾}{\mathrm{\λ}}}_i,(i=1,2,...,n)---\left(5\right)$

以上可以看出，α_i、β_i突出了故障特征信息，抑制了原始信号中的正常状态信息等无关信息，与正常状态相差越大、与故障状态相差越近的IMF，其对应的λ_i越大，以λ_i作为权重系数筛选包含主要故障信息的IMF分量。各频带能量的变化表征了滚动轴承故障情况，因此，取IMF的能量作为网络的特征向量来识别轴承状态。

IMF分量能量 $E_i=\underset{-\mathrm{\∞}}{\overset{+\mathrm{\∞}}{\∫}}{\left|c_i\left(t\right)\right|}^{2}dt,(i=1,2,...8)---\left(6\right)$

考虑到能量数值较大，为便于后续分析处理，对其进行归一化处理：

令 $E=\underset{i=1}{\overset{8}{\Σ}}{\left(\right|E_i^2\left|\right)}^{1/2}---\left(7\right)$

构造一个特征向量T：

T＝[E₁/E,E₂/E,E₃/E,E₄/E,E₅/E,E₆/E,E₇/E,E₈/E](8)

(3)以其能量特征值作为BP神经网络的输入量，构造BP神经网络，采用已知样本对网络进行训练以建立基于BP神经网络的故障诊断模型，采用该故障诊断模型对机械设备的健康状态进行诊断识别。

神经网络输出中的神经元数由故障模式数决定。因此，输出矩阵的状态编码分别为：内圈故障轴承[0，0，1]；外圈故障轴承[0，1，0]；正常轴承[1，0，0]。在上述BP网络训练完毕后，用训练好的网络对测试样本进行检验识别：即把测试样本的特征参数作为网络输入，根据网络输出确定测试样本的状态类别。

本发明采用美国CaseWesternReserve大学滚动轴承数据中心的实验数据进一步验证所提方法的有效性。对原始振动信号进行EEMD分解，按式(5)计算互相关系数λ_i。根据相关系数大小选取包含主要故障信息的前8个IMF分量，按式(6)，(7)和(8)求出故障特征参数T；采用BP网络进行分类，网络结构为3层，分别将内圈故障、外圈故障和正常轴承的T作为神经网络的输入，隐层包括10个隐节点，输出分别对应内圈故障、外圈故障和正常3种模式：即网络结构为8×10×3。每种模式分别用10个样本进行训练，训练截止误差为0.001，其中BP训练算法的学习速率为0.12，网络训练至收敛。

同上对原始振动信号进行EMD分解和小波包分解，结合BP神经网络进行故障类型识别。

虽然以EMD或小波包分析对振动信号作预处理，再提取各频带下的能量作为网络特征参数的方法均可识别故障轴承，但纵观表1和附图2，3，4，基于EEMD提取能量特征参数的网络方法有比基于EMD和小波包分析的网络方法更高的网络识别能力。这是由于小波包分解是非自适应性，数据测试结果较分散，稳定性差，距离期望输出较远；EMD分解存在模式混频叠，正常状态识别率较高，内圈故障与外圈故障有交集，分辨率差；而EEMD分解是依据信号本身的信息进行的自适应分解，即其分解过程依赖于信号本身包含的变化信息，同时有效的解决了EMD的模式混叠现象，另外互相关系数自适应消噪，数据测试结果稳定，不同故障模式差异明显，因而对故障信息更为敏感。

表1三种方式诊断结果

Claims (1)

1.本发明基于EEMD自适应消噪的轴承故障诊断方法技术方案，其特征在于步骤如下：

步骤1，利用加速度传感器采集轴承振动信号，得到的信号包括内圈故障、外圈故障、正常状态3种状态；

步骤2，对原始信号进行EEMD分解，通过互相关系数筛选包含主要故障信息的IMF分量，计算其能量特征值；

步骤3，以其能量特征值作为BP神经网络的输入量，构造BP神经网络，采用已知样本对网络进行训练以建立基于BP神经网络的故障诊断模型，采用该故障诊断模型对机械设备的健康状态进行诊断识别；

所述步骤2中采用EEMD对传感器测量的轴承对传感器测量的轴承原始振动信号x(t)进行分解：

(1)分别对滚动轴承的三种状态(内圈故障、外圈故障和正常)进行采样；

(2)对原始信号进行EEMD分解，得到各个IMF分量；

(3)分别计算第i个IMF分量c_i(t)与原始信号x(t)和正常状态信号x′(t)之间的互相关系数α_i、β_i，筛选包含主要故障信息的IMF分量：

α_i＝c_i(t)/x(t)(2)

β_i＝c_i(t)/x′(t)(3)

${\stackrel{\‾}{\mathrm{\λ}}}_i={\mathrm{\α}}_i-{\mathrm{\β}}_i---\left(4\right)$

${\mathrm{\λ}}_i=\stackrel{\‾}{{\mathrm{\λ}}_i}/\underset{i=1}{\overset{n}{\Σ}}\stackrel{\‾}{{\mathrm{\λ}}_i},(i=1,2,...,n)---\left(5\right)$

以上可以看出，α_i、β_i突出了故障特征信息，抑制了原始信号中的正常状态信息等无关信息，与正常状态相差越大、与故障状态相差越近的IMF，其对应的λ_i越大，以λ_i作为权重系数筛选包含主要故障信息的IMF分量；各频带能量的变化表征了滚动轴承故障情况，因此，取IMF的能量作为网络的特征向量来识别轴承状态；

IMF分量能量 $E_i=\underset{-\mathrm{\∞}}{\overset{+\mathrm{\∞}}{\∫}}|c_i\left(t\right){|}^{2}dt,(i=1,2,...8)---\left(6\right)$

考虑到能量数值较大，为便于后续分析处理，对其进行归一化处理：

令 $E=\underset{i=1}{\overset{8}{\Σ}}{\left(\right|E_i^2\left|\right)}^{1/2}---\left(7\right)$

构造一个特征向量T：

T＝[E₁/E,E₂/E,E₃/E,E₄/E,E₅/E,E₆/E,E₇/E,E₈/E](8)

(4)将特征向量T作为神经网络的输入，以内圈故障、外圈故障、正常状态3种模式作为输出，确定网络结构，对网络进行训练；

(5)神经网络输出中的神经元数由故障模式数决定；因此，输出矩阵的状态编码分别为：内圈故障轴承[0，0，1]；外圈故障轴承[0，1，0]；正常轴承[1，0，0]；在上述BP网络训练完毕后，用训练好的网络对测试样本进行检验识别：即把测试样本的特征参数作为网络输入，根据网络输出确定测试样本的状态类别。