基于類間可分性判據(jù)和KNNC的滾動軸承故障診斷

金鑫

摘 要：為準(zhǔn)確識別滾動軸承不同類型的故障，提出一種基于類間可分性判據(jù)和K近鄰分類器（KNNC）的故障診斷方法。該方法首先從時域、頻域、時頻域構(gòu)造原始故障特征集；然后運(yùn)用類間可分性判據(jù)從原始特征集中選擇出其中利于分類的敏感特征。最后將敏感特征輸入KNNC，識別故障類型。用滾動軸承一組故障特征數(shù)據(jù)集進(jìn)行驗(yàn)證。結(jié)果表明，本方法能有效提取出原始特征集中的敏感特征，為實(shí)現(xiàn)滾動軸承的故障劃分問題，提供了一種新途徑。

關(guān)鍵詞：故障診斷；類間可分性判據(jù)；K近鄰分類器

中圖分類號：TH165 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-2064（2017）11-0081-02

滾動軸承作為旋轉(zhuǎn)機(jī)械的核心應(yīng)用部件，其工作質(zhì)量的好壞將會對整臺設(shè)備產(chǎn)生重要影響[1]。據(jù)統(tǒng)計(jì)，旋轉(zhuǎn)機(jī)械中的故障大部分是由滾動軸承引起的。因此，開展?jié)L動軸承的故障診斷意義重大。

在進(jìn)行滾動軸承故障診斷時，為了獲取較高的診斷精度，就必須獲取盡可能多的故障信息，此時基于時域、頻域及時頻域的故障特征提取就具有較強(qiáng)優(yōu)勢[2]。但是該方法在獲得敏感信息的同時也勢必會引入大量的干擾特征。因此如何獲取敏感信息的特征選擇問題已成為滾動軸承故障診斷的重要研究方向，如Kappaganthu等人[3]利用互信息算法對滾動軸承的時域、頻域和時頻域特征進(jìn)行敏感性評估，基于神經(jīng)網(wǎng)絡(luò)分類器識別結(jié)果表明這些敏感特征能有效識別出軸承內(nèi)圈和外圈故障；雷亞國等人[4]提出一種改進(jìn)的距離評估技術(shù)，該方法能夠從大量原始特征集中剔除不相關(guān)特征、保留敏感特征，從而有效提升了自適應(yīng)神經(jīng)模糊推理系統(tǒng)的診斷精度。江麗[5]提出了邊界Fisher分析分值，該方法剔除了原始特征集中的不相關(guān)及冗余特征，得到的敏感特征子集大大支持向量機(jī)的診斷性能。這些研究成果為特征選擇算法在滾動故障診斷中的應(yīng)用開辟了新的思路。

基于上述分析，本文以滾動軸承典型故障狀態(tài)為研究對象，提出基于類間可分性算法和K近鄰分類器（KNNC）的故障診斷方法，對描述滾動軸承運(yùn)行狀態(tài)的敏感特征集的構(gòu)造以及解決故障劃分問題的方法進(jìn)行探討。欲為基于數(shù)據(jù)驅(qū)動方法實(shí)現(xiàn)滾動軸承故障診斷，提供參考依據(jù)。

1 基本算法

1.1 類間可分性算法

對于輸入空間的數(shù)據(jù)X={xi|i=1，2，…，n；xi∈Rd}，類別屬性Cf∈（1，2，…，e）。類間可分性算法首先求解每個特征的總類內(nèi)離差矩陣Sw和總類間離差矩陣Sb見式（1）和（2）。然后通過Sb和Sw的比值得出每個特征的可分性指標(biāo)J見式（3）

式中：g（h）為總體樣本X的第h維特征的均值；pi為Xc∈X的頻率。

1.2 K近鄰分類器

KNNC作為一種非參數(shù)分類方法，以其簡單直觀，分類特性好，時效性強(qiáng)等優(yōu)點(diǎn)[6]，在故障診斷方面得到了廣泛應(yīng)用[7-8]。

設(shè)輸入空間的數(shù)據(jù)集為X={xi|i=1，2，…，n；xi∈Rd}，類別屬性Cf∈（1，2，…，e），KNNC首先基于歐氏距離選取與測試樣本xi最近的k個訓(xùn)練樣本xj見式（4）

2 基于類間可分性和KNNC的滾動故障診斷方法設(shè)計(jì)

基于類間可分性和KNNC的故障診斷方法流程見圖1，具體步驟如下：

Step1：對消噪后的滾動軸承振動信號按表1進(jìn)行故障特征提取。

Step2：將故障特征集隨機(jī)分成訓(xùn)練樣本及測試樣本。首先應(yīng)用類間可分性算法對訓(xùn)練樣本特征集進(jìn)行特征評估得到每個特征的分類敏感度，將特征按敏感度降序排列。然后將特征按敏感度大小輸入KNNC得到識別正確率，直到滿足終止條件（a.診斷精度達(dá)到100%；b.完成循環(huán)后取得最高識別正確率所對應(yīng)的特征數(shù)）。

3 實(shí)驗(yàn)驗(yàn)證

本文數(shù)據(jù)來源于美國凱斯西儲大學(xué)電氣工程實(shí)驗(yàn)室的滾動軸承實(shí)驗(yàn)數(shù)據(jù)[9]。軸承型號為SKF公司的6205-RS深溝球軸承，內(nèi)徑為25mm，外徑為52mm，厚度為15mm。在采樣頻率為48kHZ，轉(zhuǎn)速為1750r/min情況下，通過軸承座上的加速度傳感器拾取振動信號。本文以采樣頻率0.1s的采樣個數(shù)為一組，分別測取損傷尺寸為0.1778mm的軸承外圈、軸承內(nèi)圈、滾動體故障及正常狀態(tài)下的振動信號各100組，以其中的20組作為訓(xùn)練樣本，剩余的80組樣本作測試樣本。

按照節(jié)3所示的故障診斷流程，得出基于類間可分性對每個特征的敏感度評估見圖2。按照敏感度將特征集按降序排列，并將特征依次輸入加權(quán)KNNC識別測試樣本的分類精度，由于輸入完所有特征后都沒有得到最優(yōu)分類精度100%，因此根據(jù)第二個終止條件，得出敏感度最高的15個特征得到最佳分類正確率98.75%（見故障類別的識別率見表2），此時選擇出的敏感特征見圖2。

為了驗(yàn)證類間可分性特征選擇的效果，本文將原始特征集輸入了KNNC得到的識別結(jié)果見表2。從表2中可以看出，基于類間可分性判據(jù)特征選擇的敏感特征要明顯優(yōu)于只將原始特征導(dǎo)入KNNC，這是因?yàn)樵继卣骷臒o用故障信息對故障分類進(jìn)行了干擾。

4 結(jié)語

（1）基于時域、頻域及時頻域的特征提取能較好的反映故障特征的基本信息。

（2）類間可分性算法能夠給故障特征給出最為合適的評價(jià)。

（3）基于類間可分性算法和KNNC的故障診斷方法能有效提升敏感特征在分類中的作用，有效實(shí)現(xiàn)了滾動軸承不同類型的故障診斷。

參考文獻(xiàn)

[1]褚福磊，彭志科，馮志鵬，等.機(jī)械故障診斷中的現(xiàn)代信號處理方法[M].北京：科學(xué)出版社.2009.

[2]王雪冬.趙榮珍.鄧林峰.基于KSLPP與RWKNN的旋轉(zhuǎn)機(jī)械故障診斷[J].振動與沖擊，2016，35（8）：219-223.

[3]K. Kappaganthu， C. Nataraj. Feature Selection for Fault Detection in Rolling Element Bearings Using Mutual Information[J]. Journal of Vibration and Acoustics-Transactions of The ASME，2011，133（6）.

[4]雷亞國，何正嘉，訾艷陽.基于混合智能新模型的故障診斷[J].機(jī)械工程學(xué)報(bào)，2008，44（7）：112-117.

[5]江麗.基于流形學(xué)習(xí)的智能診斷方法研究[D].博士學(xué)位論文，武漢：華中科技大學(xué)，2013.

[6]胡智，段禮祥，張來斌.優(yōu)化KNNC算法在滾動軸承故障模式識別中應(yīng)用[J].振動與沖擊，2013，32（22）：85-87.

[7]李鋒，湯寶平，陳法法.基于線性局部切空間排列維數(shù)化簡的故障診斷[J].振動與沖擊，2012，31（13）：36-40.

[8]D.H. Pandya， S.H. Upadhyay， S.P. Harsha. Fault diagnosis of rolling element bearing with intrinsic mode function of acoustic emission data using APF-KNN[J]. Expert Systems with Applications， 40（2013），4137-4145.