基于EEMD和模糊BP神經網絡的滾動軸承故障診斷

張國銀 王 雪 王海瑞 郝家驥 宋怡然

(昆明理工大學信息工程與自動化學院)

基于EEMD和模糊BP神經網絡的滾動軸承故障診斷

張國銀 王 雪 王海瑞 郝家驥 宋怡然

(昆明理工大學信息工程與自動化學院)

針對滾動軸承故障振動信號的非平穩特征，提出一種基于總體經驗模態分解(EEMD)和模糊BP神經網絡的故障診斷方法。首先對滾動軸承的振動信號采用總體經驗模態分解方法進行分解，得到若干個本征模態函數分量(IMF)；然后提取各分量的均方差、峭度和能量，把這些特征參數作為學習集和訓練集，將學習集輸入到模糊BP神經網絡中進行學習；最后把訓練集輸入到特征參數經過學習訓練后的模糊BP神經網絡中進行故障類型識別，并與BP神經網絡進行比較。實驗結果表明：所提方法能有效地應用于滾動軸承故障診斷，而且比BP神經網絡具有更高的精確度。

滾動軸承 故障診斷 EEMD 模糊BP神經網絡 能量 峭度

目前，在滾動軸承的故障診斷中，主要以研究振動信號中所產生的故障特征進行故障診斷。當軸承中的一個或幾個元件發生局部故障時，相接觸的部件會因撞擊而產生能量集中的周期性脈沖信號，從而激起軸承系統各部件的高頻固有振動，產生幅值調制現象，不同的故障會有不同的故障信息特征[1]。一般來說，滾動軸承故障診斷技術分為4個過程：首先對選取的能反映滾動軸承狀態信息的信號進行預處理；接著對信號進行特征提取，選取能夠反映其故障征兆的特征值；然后根據特征值選取恰當的處理方法對特征值進行分析，從而得出其故障狀態診斷與分析；最后按照結果做出相應的決策，及時對設備進行相應的處理。而提取故障特征的有效性決定了能否準確地判斷故障類型。因此，判斷滾動軸承故障的關鍵就是準確全面地提取故障特征信號。

文獻[2]應用模糊神經網絡對軌道電路故障進行診斷，取得了較好的效果，但沒有對原始信號進行預處理，原始信號中摻雜了干擾信號，會影響對故障類型的判斷。文獻[3]應用經驗模態分解(EMD)和神經網絡進行輪軌故障噪聲診斷，但是EMD在分解過程中會產生模態混疊現象，同樣會對故障分類的識別產生影響。EMD可用于非線性與非平穩信號處理，可是EMD分解本身存在模態混疊等不足，為了減少模態混疊對實驗結果帶來的影響，Hang N E和Wu Z H提出利用高斯白噪聲的總體經驗模態分解(EEMD)方法[4，5]。模糊神經網絡的關鍵是對于模糊規則及其隸屬度函數的改進，是基于神經網絡的學習能力實現，此方法將模糊控制與神經網絡聯系在一起，既改進了不足，又融合了它的優點[6]。基于上述研究，筆者將EEMD方法和模糊BP神經網絡結合起來，對滾動軸承信號進行分析與故障診斷，首先對采集到的軸承噪聲信號進行EEMD分解，計算各IMF分量的均方差值、峭度和能量，并將其各均值作為模糊BP神經網絡訓練和測試的特征參數輸入，對滾動軸承3種不同狀況下的故障進行分類識別。

1 EEMD方法

滾動軸承振動信號中的噪聲干擾嚴重影響故障診斷的準確性，為此需要使用消噪方法對信號進行處理以減少噪聲干擾。具體的消噪方法包括小波濾噪、EMD分解濾噪等。小波消噪具有多分辨率等優點，但小波參數的選擇將直接影響診斷結果，并且不能自適應地進行信號分解。EMD作為新的消噪方法，具有自適應分解信號的能力，但EMD分解存在模態混疊、端點效應等問題。因此Huang N E等提出了EEMD分解方法[4，5]。EEMD的本質是在原有信號中加入高斯白噪聲的多次EMD，利用白噪聲的頻率平均分布的統計特性，自適應地從滾動軸承振動信號中分離出高頻調制信號，從而有效抑制模態混疊問題。EEMD方法既克服了小波基函數和閾值的選擇，又解決了EMD的模態混疊問題。

EEMD算法分解過程的具體步驟如下：

a. 對分析信號x(t)加入隨機高斯白噪聲序列(一般白噪聲標準差是原始信號標準差的0.1～0.4倍)；

b. 對加入白噪聲的信號進行EMD分解，得到K個IMF分量cj(t)(j=1，…，K)和余項r(t)；

c. 計算分解后IMF的均值，把各個IMF的均值作為最終的結果。

將步驟a～b重復N次，每次加入不同的白噪聲序列，所得的第i次加入白噪聲后的信號xi(t)為：

(1)

式中cij(t)——第i次加入高斯白噪聲后分解所得的第j個IMF。

步驟c對原信號經過EEMD分解后所得的第j個IMF分量的最終結果cj(t)為：

(2)

(3)

2 模糊BP神經網絡

模糊BP神經網絡整合了模糊邏輯系統和神經網絡的優點，模糊邏輯系統善于通過表達和抽取知識來處理結構化的知識，但是不具備學習能力；神經網絡則善于通過樣本學習來處理非結構的知識，但是不能對模糊相似信息進行有效區分。這樣的結合方式使模糊BP神經網絡不僅具有知識易于理解的優點，還無需建立精確的數學模型，適合處理不確定性和非線性問題[7]。模糊BP神經網絡的兩個組成部分為前件網絡和后件網絡，前件網絡的作用為匹配模糊規則，后件網絡的作用則是產生模糊規則[8]。筆者采用BP算法對各節點的隸屬度函數進行優化，具體的網絡結構有5層，如圖1所示。

圖1 模糊BP神經網絡結構

第1層為輸入層，有3個神經元(均方差、峭度和能量)作為輸入信號(x1,x2,x3)傳送到下一層。

3 基于EEMD與模糊BP神經網絡的滾動軸承故障診斷方法

峭度值反映了信號中沖擊成分的大小[9]，沖擊成分所占的比率越大，峭度值越大。由于高頻IMF信號中含有故障引起的固有振動成分，因此故障信息最容易提取。當軸承出現不同的故障時，故障信號在各個IMF分量中的能量分布會發生相應的改變，所以可以選擇不同頻帶的能量作為故障識別的特征參量。均方差能反映信號幅值概率密度分布的特性，即幅值分布的離散程度，當滾動軸承出現故障時，由于沖擊的增強將導致信號的幅值分布特性發生變化。根據上文所述，可將各IMF分量的均方差值、峭度值和能量值作為模糊BP神經網絡的特征參數，能夠進行較好的故障分類識別。

通過上述分析，利用EEMD與模糊BP神經網絡的滾動軸承故障診斷方法的具體步驟為：

a. 對內圈故障、外圈故障和滾動體故障狀態下的信號進行采集；

b. 對每一種狀態下的信號進行EEMD分解，得到若干個IMF分量，按其頻率大小從高到低依次排列，由于故障信息主要存在于信號的高頻部分，故選取前6個IMF分量進行分析；

d. 計算每一個信號中分解的6個IMF分量的峭度均值、能量均值和均方差均值，把這些均值作為模糊BP神經網絡的參數輸入；

e. 將得到的均方差、峭度和能量的均值中的30組數據作為訓練樣本對模糊BP神經網絡進行訓練，訓練結束后再用其他21組數據作為測試樣本進行故障識別。

4 實驗結果

為了證明筆者所提方法的可行性，用美國凱斯西儲大學振動實驗室提供的數據進行實驗。實驗臺包括一個電動機、一個扭矩傳感器、一個功率測試計和電子控制器。使用加速度傳感器采集軸承的振動加速度信號，分別放置在風扇端軸承座和驅動端的軸承座上。采集此振動信號的采樣頻率為12kHz。實驗中，使用驅動端的加速度數據進行滾動軸承的故障特征提取，進而判斷出故障類型。

由于信號中的特征信息主要集中在高頻部分，而低頻IMF分量所含的特征信息過少，所以保留EEMD分解后的IMF1～IMF6。采用的滾動軸承故障信號包含內圈故障、外圈故障和滾動體故障3種狀態。圖2為不同狀態下的EEMD分解結果。

圖2 不同狀態下的EEMD分解結果

圖3中，模糊BP神經網絡在經過225次訓練后，誤差精度為0.001 0，網絡訓練結束。圖4中，BP神經網絡在經過358次訓練后，誤差精度為0.022 3，無法達到期望的精度，網絡訓練結束。兩者相比，模糊BP神經網絡不但在訓練次數上比BP神經網絡少，而且訓練誤差也達到了期望值，訓練精度也有所提高。

圖3 模糊BP神經網絡訓練誤差變化曲線

圖4 BP神經網絡訓練誤差變化曲線

用訓練好的模糊BP神經網絡和BP神經網絡分別對測試樣本進行分類識別，每種情況各7個測試樣本，一共21組數據，見表1。

為了更好地證明筆者所提方法的可行性，表2中列出了兩種方法的實際輸出結果，并與期望輸出結果和故障類型進行對比，BP神經網絡的輸出設定為3個值，分別代表3個故障，值最大的一個就對應相應的故障。表2中BP神經網絡的輸出樣本“1”代表滾動軸承的內圈故障，“2”代表滾動軸承的外圈故障，“3”代表滾動軸承處于滾動體故障狀態。同時，為了更加直觀地判斷兩種方法的優劣，在表3中列出了兩種方法的故障識別率對比。

表1 測試數據

表2 模糊BP神經網絡與BP神經網絡診斷結果

(續表2)

表3 模糊BP神經網絡與BP神經網絡故障識別率對比

表2中，故障信號經過EEMD分解后再使用上述兩種方法都可以根據故障信號中的信息進行故障類型的識別，根據對比結果可知：模糊BP神經網絡比BP神經網絡具有更高的故障識別率(表3)。在此次實驗過程中，模糊BP神經網絡出現了一個識別錯誤，準確率達到95.2%；但BP神經網絡中出現了3個識別錯誤，準確率只有85.7%。而且BP神經網絡的錯誤故障識別都是出現在內圈故障中，這是因為BP神經網絡不能處理和描述模糊信息，當數據過于接近時就無法正確區分數據而導致產生錯誤的結果；而模糊BP神經網絡不但具有模糊處理能力，還具有學習能力，彌補了BP神經網絡的不足。

5 結束語

針對滾動軸承的故障分析，筆者提出一種將EEMD和模糊BP神經網絡結合的方法，實驗結果表明該方法不僅對噪聲產生了一定的抑制效果，還可以實現多種故障的分類，達到了較好的精度，表明該方法可以有效地區分滾動軸承故障的類別。但是在此次實驗中，模糊BP神經網絡仍然出現了識別錯誤，這是因為模糊BP神經網絡的模糊規則具有冗余和不精簡性，當輸入參數和對應的模糊子集較多時，神經網絡結構將會變得比較復雜，影響計算效率。因此，改進模糊BP神經網絡的結構和參數將是下一步研究的重點。

[1] 胡愛軍,馬萬里,唐貴基.基于集成經驗模態分解和峭度準則的滾動軸承故障特征提取方法[J].中國電機工程學報,2012,32(11):106～111.

[2] 黃贊武,魏雪業,劉澤.基于模糊神經網絡的軌道電路故障診斷方法研究[J].鐵道學報,2012,34(11):54～59.

[3] 江航,尚春陽,高瑞鵬.基于EMD和神經網絡的輪軌故障噪聲診斷識別方法研究[J].振動與沖擊,2014,33(17):34～38.

[4] Huang N E,Shen Z,Long S R,et al.The Empirical Mode of Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[J].Proc Royal Society,1988,454:903～905.

[5] Wu Z H,Huang N E.Ensemble Empirical Mode Decomposition:A Noise-Assisted Data Analysis Method[J].Advances in Adaptive Data Analysis,2009,1(1):1～4.

[6] 彭廣平,李泳鮮.模糊神經網絡在汽車發動機電子點火系統故障診斷中的應用[J].汽車科技,2011,(3):47～50.

[7] 李恒嵬.模糊神經網絡研究現狀綜述[J].遼寧科技學院學報,2010,12(2):15～17.

[8] 周潤景.基于MATLAB與fuzzyTECH的模糊與神經網絡設計[M].北京:電子工業出版社,2010:197～199.

[9] 吳小濤,楊錳,袁曉輝,等.基于峭度準則EEMD及改進形態濾波方法的軸承故障診斷[J].振動與沖擊,2015,34(2):38～44.

RollingBearingFaultDiagnosisBasedonEEMDandFuzzyBPNeuralNetwork

ZHANG Guo-yin, WANG Xue, WANG Hai-rui, HAO Jia-ji, SONG Yi-ran

(FacultyofInformationEngineeringandAutomation,KunmingUniversityofScienceandTechnology)

Considering non-stationary characteristics of bearing’s fault vibration signals, an EEMD and fuzzy neural network-based fault diagnosis method was proposed, in which, having EEMD method adopted to decompose the bearing’s bearing vibration signals into several intrinsic mode function components(IMF); and then, extracting each component’s mean square error, kurtosis and energy and taking them as learning set and training set; and finally, having the learning set input into the fuzzy BP neural network for learning and the training set into the fuzzy BP neural network for fault type identification. Experimental results show that, the method proposed can be effectively applied to the rolling bearing’s fault diagnosis and it outperforms the BP neural network in the accuracy.

rolling bearing, fault diagnosis, EEMD, fuzzy BP neural network, energy, kurtosis

TH133.33

A

1000-3932(2017)01-0034-06

國家自然科學基金項目(61263023)。

張國銀(1979-)，副教授，從事計算機應用和智能算法方面的研究。

聯 系 人：王雪(1990-)，碩士研究生，從事模式識別和自動化技術方面的研究，1067834094@qq.com。

2016-03-23，

2016-10-10)