基于EMD与神经网络的滚动轴承故障诊断方法

EMD

振动与冲击

第24卷第1期JOURNALOFVIBRATIONANDSHOCKVol.24No.12005

基于EMD与神经网络的滚动轴承故障诊断方法

杨　宇　于德介　程军圣

(湖南大学机械与汽车工程学院,长沙　410082)

3

摘　要　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(EmpiricalModeDecomposition

,简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解,将其分解为多个平稳

的固有模态函数(IntrinsicModefunction,简称IMF)之和,再选取若干个包含主要故障信息的IMF分量进行进一步分析,由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明,以

EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有

更高的故障识别率,可以准确、有效地识别滚动轴承的工作状态和故障类型。关键词:滚动轴承,EMD,能量,神经网络,故障诊断中图分类号:TH133　　　文献标识码:A

0　引　　言

识别的过程,和很强的自组织,2但网络的识别效果依赖于

[3]

所提取的特征参数的有效性和网络参数的选取。其中,故障特征参数的提取是故障诊断中最重要、最关键的问题之一,它直接关系到滚动轴承故障诊断的准确性。在信号的分析过程中,时间尺度和随时间尺度分布的能量是信号的两个最主要参数。事实上,当滚动轴承发生故障时,振动信号各频带的能量会发生变化,因此,在各频带信号的能量中包含了丰富的故

[4]

障信息,因而可根据滚动轴承振动信号的各频带能量的变化来进行滚动轴承故障分析。小波变换(WT)可将信号在不同的尺度上展开,并可提取信号在不同频带上的特征,且同时保留信号在各个尺度上的时域特征,即小波变换可在时域和频域内同时得到较高的分辨率,因而可考虑对原始振动信号进行小波包分[5]

解,并从分解重构后的时间序列中提取轴承信号的能量特征信息作为神经网络的输入,对滚动轴承进行自动分类与诊断。但小波变换本质上是窗口可调的傅立叶变换,一旦选择了小波基和分解尺度,则所得到的结果是某一固定频带的信号,即该频带范围只与信号的采样频率有关,而与信号本身无关,从这一点上来讲,小波分析不具有自适应性。近年来,Huang

[6]

NE提出了一种新的时频分析方法———经验模态分

3国家自然科学基金(编号:50275050)和高等学科博士点专项科研基金(编号:20020532024)资助项目收稿日期:20030928第一作者　杨宇　女,博士生,讲师,1971年4月生

,,可把信号,分解出的各个IMF分量突出了数据的局部特征,对其进行分析可以更准确有效地把握原数特征信息。此外,由于每一个IMF所包含的频率成分不仅仅与采样频率有关,而且更为重要的是它还随着信号本身的变化而变化,因此EMD方法是一种自适应的信号分解方法,具有很高的信噪比,非常适用于非平稳、非线性过程。

本文拟将EMD方法与神经网络结合起来,对滚动轴承进行故障诊断。即以EMD作为振动信号的预处理器,以BP网络作为分类器,提取EMD分解后的平稳IMF分量的能量特征指标作为网络的特征参数,对故障轴承和正常轴承进行分类。同时,为了将EMD方法与小波包分析方法进行比较分析,还对原始信号进行了小波包分解,对分解重构后的时间序列也相应提取能量特征参数,输入相同网络进行训练,并用来识别不同故障类型的轴承。实验结果表明,基于EMD的网络方法具有更好的识别效果和更高的网络识别率。

1　EMD方法

EMD方法从本质上讲是对一个信号进行平稳化

处理,其结果是将信号中不同尺度的波动或趋势逐级分解出来,产生一系列具有不同特征尺度的数据序列,每一个序列称为一个固有模态函数IMF。IMF分

EMD

　86　

振动与冲击2005年第24卷

量必须满足下面两个条件:一是其极点数和零点数相同(或最多相差一个),二是其上下包络线关于时间轴局部对称。

EMD方法步骤如下;假设在任何信号都由不同的MF组成,每个IIMF可以是线性的,也可以是非线性的,这样任何一个信号就可以分解为有限个IMF之

(Sift):和,则IMF可以按以下方法“筛选”

(1)确定信号x(t)的所有局部极值点,将所有极

图1　

具有外圈故障的滚动轴承故障振动信号

大值点用三次这样条线连接起来形成上包络线,将所

有极小值点用三次样条线连接起来形成下包络线,这两条包络线包络了所有的信号数据。

(2)将两条包络线的均值记为μ1,求出

(1)y1(t)=x(t)-μ1

(3)判断y1(t)是否为MIF,若y1(t)不满足MIF条(2),直到件,则将y1(t)作为原始数据,重复步骤(1)、

y1(t)满足MIF条件,此时,记y1(t)=c1(t),则c1(t)为

2　EMD分解结果

信号x1(t)的第一个MIF分量,它代表信号x1(t)高频率的分量。

(4)将c1(t)从x1(t)r1(t(2)r1(t)=x(t)将r1(t),重复步骤(1)、(2)和

(3),得到第二个IMF分量c2(t),重复n次,得到n个MF分量。这样就有I

r1-c2=r2

EMD和神经网络的滚动轴承故障诊断

基于EMD和神经网络的滚动轴承故障诊断方法

框图如图3

所示。

…

rn-1-cn=(3)

图3　基于EMD和神经网络的滚动轴承故障诊断框图

当cn(t)或rn(t)满足给定的终止条件(通常使rn

(t)成为一个单调函数)时,循环结束,由(2)式和(3)式可得到:

n

2.1　振动信号层

实测的加速度振动信号中除了具有反映有关滚动轴承本身的工作状态信息外,还包含了大量的机械设备中其它运动部件和结构的信息,这些信息对于研究滚动轴承本身的工况与故障来说属于背景噪声,由于背景噪声往往比较大,所以轻微的滚动轴承故障的信息常常淹没在背景噪声中,难以提取出来。因此在提取故障特征向量前有必要对振动信号进行预处理,以突出故障信息,提高信噪比。2.2　EMD分解层

x(t)=

∑c(t)

i

i=1

+rn(t)(4)

式中,rn(t)为残余函数,代表信号的平均趋势。而各IMF分量c1(t),c2(t)…cn(t)分别包含了信号从高到低不同频率段的成份,每一频率段所包含的频率成分都是不同的,且随信号本身的变化而变化。通常,EMD方法分解出来的前几个IMF分量往往集中了原信号中最显著、最重要的信息,从这个角度上讲,EMD方法就是一种新的主成分分析方法。

图1为滚动轴承外圈有缺陷时的时域加速度振动信号。图2为其EMD分解图,共有22个IMF分量,由于篇幅原因,此处只给出了前9个IMF分量。从图中可以看出,EMD把信号分解成了若干个IMF分量之和,不同的IMF分量包含了不同的时间尺度,

可以使信号的特征在不同的分辨率下显示出来。

当滚动轴承存在局部故障时,在轴承运动过程中,轴承的其它零件会间断地撞击故障部位,产生冲击力,从而激励轴承座或其它机械零部位件产生共振,形成一系列冲击振动,这些冲击振动的出现使原来的平稳振动信号变成了非常平稳振动信号。EMD方法的主要特点就是能够对非平稳、非线性过程中数据进行平稳化和线性化处理,并在分解的过程中保留数据的本身的特征,因此可采用EMD方法对振动信号进行预处理,把非平稳振动信号分解为一系列具有

EMD

第1期

杨　宇等:基于EMD与神经网络的滚动轴承故障诊断方法3

　87

不同特征尺度的平稳信号。由于这种分解是自适应的,因而更能反映故障的本质信息。考虑到滚动轴承

的故障信息主要在高频带,因此选取前8个IMF分量作为进一步分析的研究对象,并从中提取故障特征信息。

2.3　特征向量提取层经EMD分解后的各IMF分量分别代表了一组特征尺度下的平稳信号,由于各频带能量的变化就表征了滚动轴承的故障情况,因此,拟选取各尺度下(即各MF分量)的能量作为网络的特征向量来识别正常轴I

承和故障轴承。

基于EMD的能量特征提取步骤如下:

(1)对原始振动信号进行EMD分解,选取包含主要故障信息的前8个IMF分量;

(2)求各IMF分量的总能量Ei;

Ei=

障轴承[0,1,0];内圈故障轴承[0,0,1]。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。

3　实验结果

本次实测的轴承为6311型滚动轴承,实验时轴的转频为25Hz,采样频率为4096Hz,振动信号由安装在轴承座上的加速度传感器来拾取。

对原始振动信号进行EMD分解,选取包含主要故障信息的前8个IMF分量,并按频率成分由高到低的顺序排列为c1(t),c2(t),,c8(t),按式(5),(6)和(7);BP网络进行分类,3、内圈有故

′

,隐层包括18个、外圈故障和内圈故障3,即网络结构为8×18×3。每种模式分别用8个样本进行训练,训练截止误差为0.0001,其中BP训练算法的学习速率为0.12,网络训练至收敛。用训练好的神经网络对15个测试样本进行分类识别,每种模式各5个样本,结果网络全部成功识别。限于篇幅原因,表1只给出了基于EMD预处理的3个测试样本(分别对应三种模式)的识别结果。

采用Daubechies10(D10)对振动信号进行三层小波包分解,得到第三层8个频带的小波包分解系数,分别重构第三层8个频带的小波包分解系数以构成8个新的时间序列,同样,按频率成分由高到低的顺序排列为:c1(t),c2(t),…,c8(t),再按式(5),(6)和(7)分别提取八个重构序列的能量作为特征向量对网络进行训练,训练过程同上。用训练好的神经网络对15个测试样本进行分类识别,每种模式各5个样本,网络识别准确率为93%。限于篇幅原因,表1只给出了基于小波包预处理的3个测试样本(分别对应三种模式)的识别结果。

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,但纵观全表,基于EMD提取能量特征参数的网络方法有比基于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的,即分解后的各频带范围并不随振动信号的变化而变化。而EMD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,因而对故障信息更为敏感。

′

∫

-∞

+∞

|ci(t)|dt　　(i=1,2,…8)

2

(5)

(3)以能量为元素构造一个特征向量T;T=[E1,E2,E3,E4,E5,E6,E7,E8]

,理,可对T。

8

21/2

令E=(∑|Ei|)

i=1

(6)

则T==[E1/E,E2/E,E3/E,E4/E,E5/E,E6/E,

(7)E7/E,E8/E]

向量T即为归一化后的向量。

2.4　神经网络训练层

采用理论最为成熟、应用最为广泛的BP网络。在进行网络设计时,首先要确定网络的总层数和各层单元数,输入层单元数由特征参数个数确定;输出层单元数由状态数和状态编码方式确定;隐层一般为一层,问题复杂时可取两层,隐层单元数的选取目前尚无理论依据,可根据经验和使用情况确定。然后用各种状态样本组成训练样本集,地网络进行训练,确定各单元间连接权值。通过训练,训练样本的各种状态以权值的形式分布存储于网络之中,每一状态都是由所有权值来综合反映的,这种分布或全息式存储方式赋予了神经网络诊断模型较强的容错性和鲁棒性,当测试样本具有误差或噪声干扰时也能进行正确的诊断和分类。2.5　故障模式分类层

神经网络输出中的神经元数由故障模式数决定。受实验条件限制,此次实验只测取了内圈和外圈有故障的滚动轴承及正常滚动轴承的振动信号。因此,输出矩阵的状态编码分别为:正常轴承[1,0,0];外圈故

′

′

EMD

　88　

振动与冲击2005年第24卷

表1　基于EMD或小波包分析的滚动轴承故障识别结果

序号信号类型

123

预处理器

EMD

E10.92770.40040.94270.34010.95360.3565

E20.30120.73200.28610.81080.24850.5836

E30.14600.14890.14170.28310.14990.4500

E40.08960.13560.08450.28960.07140.2199

E50.07980.18140.02210.08440.02650.2748

E60.10240.37300.03450.22780.02030.4416

E70.04260.20690.02260.04470.00900.0644

E80.02410.22030.00870.04450.00120.0690

网络输出

(0.9547,0.0387,0.0423)(0.8936,0.0421,0.3241)

(0.0754,0.9392,0.0145)(0.0557,0.7832,0.4476)(0.0038,0.0043,0.9376)(0.0784,0.3987,0.7589)

正常外圈故障内圈故障

小波包分析

EMD

小波包分析

EMD

小波包分析

4　结　论

EMD分解基于信号的局部特征时间尺度,能把复

参考文献

1　PayaBA,EsatII.ArtificaialNeuralNetworkBasedFaultDi2

agnosticsofRotatingMachineryUsingWaveletTransformssaaPreprocessor.MechanicalSystemsandSignalProcessing1997.11(5):751—765

2　刘贵立,张国英.杂的信号函数分解为有限的固有模态函数之和,每一个IMF分量代表了一组特征尺度信号,因而对每一个平稳IMF分量提取能量特征,可以清楚地揭示故障的内在本质信息。另一方面,检验结果也证明了EMD分解后的前几个IMF分量中确实包含了故障主要信息。理论分析和试验结果表明,本文提出的基于EMD和BP圈和外圈故障。当采用基于EMD网络特征向量时,的识别能力。,识别率将更高。

研究.,:110—112

3..西安电子科技大学出版

,..中国机械工程,1999,10(9):978—981

5　杨国安等.一种适用于机械非平稳故障信号的分析方法.信

号处理,2001,7(3):287—290

6　HuangNE,etal.TheEmpiricalModeDecompositionandthe

HilbertSpectrumforNonlimearandNon-StationaryTimeSe2riesAnalysis.Proc.R.Soc.Lond.A,1998,454:903—995

(上接第80页)

7　许飞云,贾民平,钟秉林,黄　仁.旋转机械振动故障诊断的

[C],1995,1455-1461

13　NalinakshSV,SatishkumarD.ArtificialNeuralNetworkDe2

signforFaultIdentificationinaRotor2bearingSystem[J],MechanismandMachineTheory,2001,36:157-175

14　PawlakZ.RoughSets[J],InternationalJournalofInforma2

tionandComputerScience,1982,11(5):341-348

15　WalczakB,MassartDL.Roughsetstheory[J],Chemomet2

ricsandIntelligentLaboratorySystems,1999,47:1-1616　王　珏等.关于RoughSet理论与应用的综述[J].模式识

一种模糊神经网络方法研究[J].振动工程学报,1996,9

(3):213-219

8　方　敏,陈雁翔.基于模糊神经网络的机械故障诊断方法的

研究[J].控制理论与应用,1998,15(3):460-465

9　姚洪兴,赵林度,盛昭瀚.基于模糊神经网络的故障诊断方

法的应用[J].气轮机技术,2000,42(5):257-262

10　MathewJB.ExperimentsintheApplicationofNeuralNet2workstoRotatingMachineFaultDiagnosis[A],IEEEInterna2tionalJointConferenceonNeuralNetworks[C],MJBoek,1991,1:769-774

11　KwangheeN,SeongnoL.DiagnosisofRotatingMachinesbyUtilizingaBack2propagatingNeuralNet[A],Proceedingsofthe1992InternationalconferenceonIndustrialElectronics,Control,Instrumentation,andAutomation[C],1992,1064-1067

12　Byung2geunH,KwangheeN.FaultsDiagnosesofRotatingMachinesbyUsingNeuralNet:GRNNandBPN[J],Pro2ceedingsofthe1995IEEEIECON21stInternationalConfer2enceonIndustrialElectronics,Control,andInstrumentation

别与人工智能,1996,19(4):337-344

17　MitraS,MitraP,PalSK.EvolutionaryModularDesignof

RoughKnowledge2BasedNetworkUsingFuzzyAttributes[J],Neurocomputing,2001,36:45-66

18　王小平,曹立明.遗传算法———理论、应用与软件实现[M].西

安:西安交通大学出版社,2002,1-38

19　XuLei,KrzyzakA,SyenCY.Methodsofcombiningmulti2pleclassifiersandtheirapplicationstohandwrittenrecognition[J].IEEETrans.OnPAMI,1992,22(3):418-45320　SawyerJ.SawyerπsTurbomachineryMaintenanceHandbooks

[M],TurbomachineryInternationalPublications,1980

EMD

　8　

JOURNALOFVIBRATIONANDSHOCKVol.24No.12005

Keywords:fluid-structureinteraction,shock,ANSYS

FAULTDIAGNOSISOFROTORBASEDONSOFTCOMPUTING

LiRuqiang　ChenJin　WuXing

(TheStateKeyLaboratoryofVibration,Shock&NoiseofShanghaiJiaoTongUniversity,Shanghai200030)

Abstract　AmethodoffaultdiagnosisofrotorsbasedonsoftcomputingisproposedInthemethodvariousapproa2chessuchasfuzzysetstheory,artificialneuralnetwork,roughsetstheoryandgeneticalgorithm,areintegratedforsyn2thesizingtheirmeritsandeliminatingtheirshortcomingsforfaultdiagnosisofrotors.Basedonroughsetstheory,crudedomainknowledgerulesareextracted;dependentfactorsandantecedentcoveragefactorsofrulesarecalculatedfromsam2pledata.Theseareemployedforconstructingandconfiguringfuzzyneuralnetwork,wherethenumberofneuronsofhid2denlayerofnetworkisequatedtothenumberofrulesandtheinitialweightsofnetworkarebyabovefactors.Geneticalgorithmisalsoutilizedtooptimizethefuzzyoutputparametersofnetword.ofrotorexperimentshowsthatthemethodhasthemeritsofshortertrainingtimeandright,toothermethodsofdiagnosisbasedonfuzzyneuralnetwork.

Keywords:softcomputing,rotor,faultneuralnetwork,geneticalgorithm

STUDYONDORECTANGLEBOXMODELOFBLASTING

SE’SFRACTALDIMENSIONCOMPUTATION

LouJianwu　LongYuan　XuQuanjun　ZhouXiang

(EngineeringInstituteofEngineerCorps,PLAUniversityofScienceandTechnology,Nanjing210007)

Abstract　Consideringtheblastingseismicwave’sdouble-scaledfeature,adouble-scaledrectangleboxmodelis

built,inwhichthetransversesideδmeandthelongitudinalsideδsmaximumamplitude.1isti2isdecidedbythesignal’Themaximumvalueofkinno-scaledregionisdecidedbythesignal’shalfperiodwhichisacquiredaccrdingtothein2tersecttimeintervalofthewavecrestwiththebaseline,withinwhichthemaximumvibrationpeakofthewholeblasting

δseismicsignallocates.Thekmaxislimitedbytherelationk1<2

δ],andatthelongitudinalsidek2mustbelessthanthe

highestpeakvalueoftheblastingseismicwave.Theblastingseismicwave’sboxdimensioniscommutedandtheresultsmanifestthattheblastingseismicwavepossessesthefractalfeature.

Keywords:mechanicsofexplosion,blastingseimicwave,fractal,double-scaledrectanglebox,boxdimension,no-scaleregion

ROLLERBEARINGFAULTDIAGNOSISMETHOD

BASEDONEMDANDNEURALNETWORK

YangYu　YuDeijie　ChengJunsheng

(CollegeofMechanicalandAutomotiveEngineering,HunanUniversity,Changsha410082)

Abstract　Aimingatthenon-stationarycharacteristicsofrollerbearingfaultvibrationsignals,rollerbearingfaultdiagnosismethodbasedonEmpiricalModeDecomposition(EMD)andneuralnetworksisputforward.Firstofall,origi2nalsignalsaredecomposedintoafinitenumberofstationaryIntrinsicModefrnctions(IMFs),thenanumberofIMFscontainingmainfaultinformationisselectedforfurtheranalysis.Theenergyofaccelerationvibrationsignalwouldvaryindifferentfrequencybandswhenbearingfaultoccurs,thereforeenergyfeatureparameterextractedfromIMFscouldbe

EMD

　Vol.24No.12005

JOURNALOFVIBRATIONANDSHOCK

　9

servedasimputparameterofneuralnetworkstoidentifyfaultpatternsofrollerbearing.Theanalysisresultsfromrollerbearingsignalswithinner-raceandout-racefaultsshowthattheapproachofneuralnetworkdiagnosisbasedonEMDextractingenergyparameterofdifferentfrequencybandsasfeatureissuperiortothatbasedonwaveletpacketdecomposi2tionandreconstructionandcanidentifyrollerbearingfaultpatternsaccuratelyandeffectively.

Keywords:rollerbearing,EMD,energy,neuralnetwork,faultdiagnosis

STUDYONSIMPLIFIEDADAPTIVEFEEDFORWARDCONTROL

FORVIBRATIONREDUCTIONOFSTRUCTURES

LuMinyue　GuZhongquan　YangTiejun

1

1

2

(1.NationalKeyLaboratoryofRotorcraftAeromechanics,NanjingUniversityofAeronauticsandAstronautics,Nanjing210016;

2.PowerandNuchlearEngineeringCollege,Ha’erbinEngineeringUniversity,erbin150001)

Abstract　AfeedforwardadaptivecontrolsystembasedondevelopedandappliedtothecontrolofstructuralvibrationexcitedbyPseudo-peri.-esystemidentificationisrealizedbyRecursiveLeastSquare(RLS)method,while(LMS)algorithm.Incontrolsystem,sys2temidentificationandcontrolarehighsignalprocessingboard.Excitingresultsareobtainedwhenthiscontrolalgorithmisonreductionwithperiodicandpseudo-periodicsignals.

Keywords:,midentification

EXPERIMENTALINVESTIGATIONONTRANSVERSALVIBRATIONOFSTEELSUPPORTINGPOSTOFOVERHEADCATENARYSYSTEMONTHEDECKOFQINSHENPASSENGER

ACCOMMODATIONRAILWAYBRIDGE

LiuHanfu

(RailwayEngineeringResearchInstitute,ChinaAcademyofRailwayScience,Beijing100081)

Abstract　InthetransversalvibrationtestofthesteelsupportingpostontheflangeofQinShenRailwaybridge,thepracticaltechniquesofinstrumentselection,theprovisionofstaticeliminaterandthewayofdatasamplingaremainlydiscussed.Itisprovedthatafavorabletestingeffectcanbeobtained.Theregularitiesrelatedtoamplitudechangeoftransversalvibrationofthesteelpostareanalyzed,andtheideaoftransversalvibrationcontrolofthesteelpostaswellasthefutureresearchdirectionareputforward.

Keywords:steelsupportingpostofoverheadcatenarysystem,impactinducedvibration,response,datasampling

ONOBJECT-ORIENTEDSOLVINGMETHODFORPOWER

FLOWOFISOLATIONSYSTEM

FengDezhen　ZhengXiaozhong

1

2

(1.SchoolofMech.Eng.,JinanUniv.JinanCityShandongProvince,Jinan250022;2.SchoolofMech.Eng.,ShangdongUniv.,JinanCity,Shandongprovince,Jinan250061)

Abstract　Thesolutionstrategyofcomplexvibrationisolationsystemwhichiscomposedofsingle-layersandmul2tiple-layerscompoundstructureisanalyzedindetail,andthe"depthfirst"structuralmodeling,methodisproposed.Byvirtueofthesolvingstrategyfordepthfirstsystemandthesolvingalgorithm,themethodtoanalysecomplicatedflexi2

本文来源：https://www.bwwdw.com/article/pipe.html