基于改進EEMD和HMM的采煤機搖臂軸承故障診斷

王行剛

(江蘇聯合職業技術學院 徐州醫藥分院， 江蘇 徐州　221116)

?

基于改進EEMD和HMM的采煤機搖臂軸承故障診斷

王行剛

(江蘇聯合職業技術學院 徐州醫藥分院， 江蘇 徐州221116)

提出一種基于改進集成經驗模態分解與隱馬爾科夫模型的采煤機搖臂軸承故障診斷方法，利用基于極值點對稱延拓和余弦窗函數的改進方法，減少端點效應對分解結果的影響，從而提高了信號分解的精度；然后提取每層本征模態函數的能量熵作為隱馬爾科夫模型的輸入特征向量，進行故障模式識別。實驗結果表明，該方法對軸承故障類型的識別率達90%以上，實現了采煤機搖臂軸承故障的準確診斷。

采煤機搖臂； 軸承； 故障診斷； 集成經驗模態分解； 隱馬爾科夫模型

網絡出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160902.1014.011.html

0　引言

由于煤礦井下工況條件惡劣，使得采煤機搖臂在工作時易出現較大的載荷波動，很大程度上導致了采煤機搖臂軸承故障的發生，容易造成采煤機停機，嚴重影響煤礦安全生產及生產效率[1]。因此，對采煤機搖臂軸承進行故障診斷分析，在故障早期分析搖臂狀態并判斷故障類型，具有重要的工程意義。

EMD(EmpiricalModeDecomposition, 經驗模態分解)是一種自適應信號處理方法，對于非穩定性和非線性的信號分析而言，是一種較好的解決手段，因此在機械故障診斷方面得到廣泛應用。在實際應用中發現，EMD分解信號過程中存在模態混疊現象和端點效應，這在很大程度上降低了信號分解的精度。EEMD(EnsembleEmpiricalModeDecomposition, 集成經驗模態分解)是由Huang等[2]在EMD的基礎上提出的一種新型信號處理方法，該方法克服了EMD分解的模態混合問題，但只是部分抑制了端點效應。本文提出基于改進EEMD和HMM(HiddenMarkovModel, 隱馬爾科夫模型)的采煤機搖臂軸承故障診斷方法，利用基于極值點對稱延拓和余弦窗函數的改進方法，減少端點效應對分解結果的影響，有效地提取出軸承的能量熵特征信息[4]，然后結合具有較強分類能力的HMM，對故障類型進行診斷識別，實現采煤機搖臂軸承的故障診斷，判斷搖臂工作狀態[5]。

1　故障診斷關鍵技術

1.1EEMD理論

1.1.1EEMD算法

EEMD算法根據信號本身的信息對信號進行自適應性分解，得到一組從高頻到低頻的IMF(IntrinsicModeFunction, 固有模態函數)之和，使得信號分解具有一定的連貫性，以便有效地提取信號特征[2]。當軸承發生各種故障時，信號在不同頻帶的能量會出現不同程度的變化。因此，可以通過計算每層IMF的能量熵來提取信號的敏感特征信息，從而判斷是否發生故障并識別故障類型。EEMD克服了EMD分解的模態混疊現象，但只是部分抑制了端點效應。

1.1.2端點效應抑制方法

對信號進行加余弦窗函數處理，相當于一種加權處理，根據加權效果可以抑制函數兩端的信號，防止信號分解誤差由兩端向中心擴散，使得上、下包絡線能夠更好地擬合；截取信號必然發生信號的丟失，但余弦窗函數是一個無限長的函數，所以它既具有很高的分辨力，又能很好地防止信息丟失。但加窗后原信號的包絡線被改變，從而導致原信號被改變[3]。針對該問題，本文研究了基于極值點對稱延拓和余弦窗函數的改進算法，在對信號進行EEMD分解前先對原信號進行延拓，然后對延拓部分的信號進行加余弦窗函數處理，這樣既解決了延拓過程本身帶來的不確定性，又抑制了端點效應影響，提高了信號的分解精度，算法大致步驟如下。

(1) 極值點對稱延拓法是一種對信號兩端極值進行延拓的方法，延拓速度快。對長度為N的原始信號x(i)極值點進行延拓，極大值為s(i)，i=1,2,…,m；極小值為l(j)，j=1,2,…,n，然后判斷是否將左右端點x(1)和x(N)作為極值點進行延拓：

(1)

(2)

(2) 對延拓信號加余弦窗，余弦窗的窗體形狀如圖1所示，函數表達式為

(3)

式中：t為時間；T為余弦窗的總時間段長度。

圖1　余弦窗函數

(3) 對加窗后的信號進行EEMD分解，去除分解后信號的延拓部分，得到與原始信號長度一樣的信號分解結果。

1.2HMM模型

HMM模型是在Markov鏈的基礎上發展起來的，一個HMM模型λ可由3個基本元素組成，λ=(A,B,α)，其中A為隱狀態轉移概率分布矩陣；B為觀測值概率矩陣[5]；α為模型的初始概率分布向量，定義了模型初始時刻處于各個隱狀態的概率分布。

隨著HMM被廣泛應用在實際工程問題上，逐漸形成三大經典算法[6]：① 估計。給定觀察序列和模型，估測觀察序列出現的概率。通常由前向-后向算法解決。② 解碼。給定觀察序列和模型，求可能性最大的隱藏狀態序列。③ 學習。給定觀察序列，通過調整HMM模型參數，使這個觀察序列出現的概率最大。

在軸承故障診斷過程中，利用改進EEMD方法提取采煤機搖臂軸承振動信號敏感特征集。訓練階段，結合Baum-Welch算法，對初始化設置的HMM模型進行訓練，建立各類軸承的HMM參數模型；識別階段，利用Viterbi算法近似計算推理概率，在已知模型下，輸出概率值最大的樣本故障類型即為對應模型的類型。

2　實驗裝置及信號采集

利用采煤機搖臂加載實驗臺(圖2)對軸承故障診斷方法進行分析驗證，考慮到實驗中傳感器的軸向和徑向安裝對軸承損傷的敏感程度不同，特采用三軸加速度振動傳感器對軸承振動信號進行采集，采集部位是采煤機搖臂低速軸區。通過對搖臂內軸承進行更換，模擬出正常軸承、內圈點蝕故障、外圈點蝕故障以及滾動體點蝕故障。

圖2　采煤機搖臂加載實驗臺

對3個方向的信號進行分析可知，相對于軸向Z和切向Y來說，徑向X采集到的故障軸承信號的峭度值更大，信號中含有更多的沖擊成分，因此，選擇徑向X方向采集到的信號作為研究對象，如圖3所示。該振動信號沒有表現出明顯的規律，所以無法準確區分故障類型。每組軸承類型采集100組數據樣本，采樣頻率為10kHz。

(a) 正常狀態

(b) 內圈點蝕故障

(c) 外圈點蝕故障

(d) 滾動體點蝕故障

3　軸承振動信號分析

用基于改進EEMD和HMM的采煤機搖臂軸承故障診斷方法對采集到的4種類型軸承信號進行分析，診斷流程如圖4所示。

圖4　故障診斷流程

首先對采集到的信號兩端采取極值點對稱延拓，然后對延拓后的信號加余弦窗函數處理，最后進行EEMD分解，設置分解過程添加的高斯白噪聲幅度為0.01，循環次數為100。以內圈點蝕故障信號為例進行分析說明，分解后共得到11個IMF和余量r，前8個IMF如圖5所示。

圖5　內圈點蝕故障信號延拓加窗后的EEMD分解結果

去除經EEMD處理得到的每個IMF的延拓部分，得到與原信號序列長度相等的一組IMF，結果如圖6所示。

對4種不同軸承類型信號進行上述分解，并對得到的一系列IMF分量分別求取能量熵，然后進行歸一化處理。經分析，前8個IMF分量包含的能量超過了總能量的97%，因此，以EEMD分解得到的前8個分量的能量熵作為故障敏感集。4種軸承類型信號的前8個分量的能量熵占總能量比重如圖7所示。

從圖7可以大致看出每種類型軸承前8個IMF分量能量熵的變化規律，但是無法準確識別出故障類型。下面利用HMM對軸承故障類型進行診斷分類，將每種類型各80組樣本的前8個IMF能量熵作為模型的輸入向量，訓練識別模型，建立正常軸承、內圈故障、外圈故障及滾動體故障的4種HMM狀態識別模型，選取終止迭代次數為50，收斂誤差為1×10-4。在實驗中，初始狀態概率分布向量α=[1 0 0 0]，狀態轉移概率矩陣對模型訓練的影響非常小，一般常采用左-右模式同等概率狀態轉移概率模型，可得狀態轉移概率矩陣A為

圖6　內圈點蝕故障信號去延拓部分的EEMD分解結果

圖7　前8個IMF分量的能量熵占總能量比重

4種類型軸承的HMM訓練曲線如圖8所示。利用訓練好的HMM狀態識別模型對剩下的4種類型軸承共80組樣本進行識別分類，得到各狀態的輸出概率。如果樣本在某個模型下的對數似然概率值最大，就表明該樣本類型是這個模型所對應的故障類型。表1列出了各狀態測試樣本采用HMM狀態識別模型識別的正確率統計結果。

圖8　HMM識別模型訓練曲線

運行狀態正常狀態內圈故障外圈故障滾動體故障識別率/%正常狀態20000100內圈故障0191095外圈故障1019095滾動體故障1011890

由表1可知，訓練好的HMM狀態識別模型對于正常軸承、內圈故障、外圈故障以及滾動體故障的識別率高達90%以上。

4　結語

提出了基于改進EEMD和HMM的軸承故障診斷方法，抑制了端點效應對分解結果的干擾，有效地提取出了信號的能量熵特征信息，并選擇前8個IMF分量能量熵作為故障敏感集，結合HMM分類器對軸承類型進行識別分類。實驗結果表明，該方法對4種狀態類型的軸承故障識別率達90%以上，實現了采煤機搖臂軸承故障的準確診斷。

[1]普亞松,郭德偉,張文斌.故障診斷技術在煤礦機械設備中的應用[J].工礦自動化,2015,41(4):36-39.

[2]董文智,張超.基于EEMD分解和奇異值差分譜理論的軸承故障診斷研究[J].機械強度,2012,34(2):183-189.

[3]徐力彬,宋余慶,劉毅.基于鏡像延拓和窗函數的端點效應抑制方法[J].計算機工程,2015,41(4):112-116.

[4]馮東華,賈海龍.基于EMD能譜熵和概率神經網絡的采煤機搖臂齒輪故障診斷[J].煤礦機械,2014,35(7):276-278.

[5]孟宗,閆曉麗,王亞超.基于LMD和HMM的旋轉機械故障診斷[J].中國機械工程,2014,25(21):2942-2946.

[6]李志農,蔣靜,唐高松,等.旋轉機械故障診斷中的EMD-HMM識別方法研究[J].礦山機械,2007,35(12):117-120.

Fault diagnosis of shearer rocker bearing based on improved EEMD and HMM

WANG Xinggang

(PharmaceuticalVocationalCollege,JiangsuUnionTechnicalInstitute,Xuzhou221116,China)

ThepaperproposedafaultdiagnosismethodofshearerrockerbearingbasedonimprovedEEMDandHMM.Themethodusesimprovedextremepointssymmetricextensionandcosinewindowfunctiontoreduceimpactofendeffectondecompositionresults,soastoimprovesignaldecompositionprecision;thenextractesenergyentropyofeachintrinsicmodefunctionasinputfeaturevectorofHMMforfaultpatternrecognition.Theexperimentalresultsshowthatbearingfaultidentificationrateoftheproposedmethodisabove90%,whichindicatesthemethodachievesaccuratefaultdiagnosisofshearerrockerbearing.

shearerrocker;bearing;faultdiagnosis;ensembleempiricalmodedecomposition;hiddenMarkovmodel

1671-251X(2016)09-0048-04DOI:10.13272/j.issn.1671-251x.2016.09.011

2015-09-28；

2016-07-12；責任編輯：胡嫻。

國家高技術研究發展計劃(863計劃)資助項目(2012AA06A406)。

王行剛(1968-)，男，江蘇徐州人，副教授，博士，主要研究方向為藥物制劑設備與技術，E-mail:2673408495@qq.com。

TD421.6

A網絡出版時間：2016-09-02 10:14

王行剛.基于改進EEMD和HMM的采煤機搖臂軸承故障診斷[J].工礦自動化，2016,42(9)：48-51.