基于多特征量提取的滾動軸承故障診斷方法

黃文靜 張茜 李俊婷

摘 要：本文提出了基于多特征量提取的滾動軸承故障診斷方法，多特征量提取可以分別從不同特性來描述系統的內部信息，故障識別采用FCM算法，通過實驗證明了該方法的有效性。

關鍵詞：故障診斷；局部均值分解；多特征量

1 時域特征指標

均值是表征數據集中趨勢的指標。標準差是描述數據離散程度最重要的測度值。偏度是度量數據分布偏斜方向和程度的量。峭度是反映數據統計后分布規律的統計量，沖擊信號的改變對峭度的影響大，它對早期故障診斷的表面損傷類故障適合。本文提取信號的均值、標準差、峭度、峰度組成時域特征指標。

2 樣本熵

樣本熵是由近似熵改進而來，不需要以對數作為計算模型。樣本熵和時間序列復雜程度是呈現正相應的關系，序列自我相似度高，樣本熵值越小；序列復雜程度越高，樣本熵值越大。運算時數據點數N不易過大，一般在100～5000內，相似容限r一般取0.1～0.25倍的序列標準差，嵌入維數m取1或2。

3 LMD分解及提取PF分量能量

局部均值分解算法（Local Mean Decomposition，LMD）是一種新的時頻分析方法，具有良好的自適應性，可以很好地突出信號的局部特征。該方法將原始信號分離出包絡信號和純調頻信號，再將兩者做乘法得到一個乘積函數（Product function， PF），通過不斷循環，得出所有的PF分量和一個殘余分量，即可得到完整的原始信號時頻分布。本文利用LMD分解后各個PF分量的能量組成特征向量。

4 實驗驗證

以美國凱斯西儲大學電氣工程學院實驗室的SKF6205型深溝軸承數據為研究對象。對軸承正常、內圈故障、外圈故障和滾動體故障進行分析，軸承轉速為1797r/min，采樣頻率為12kHz，每個數據樣本長度取1024。圖1為四種信號的局部圖。

首先，提取信號的均值、標準差、峭度因子、峰度因子組成時域特征指標。

其次，提取四種信號的樣本熵。不同信號的樣本熵值不同，說明不同信號的復雜程度不同。

第三，提取LMD分解后各個PF分量的能量。先對信號進行小波消噪，再進行LMD分解。以軸承內圈故障信號為例，小波消噪后LMD分解結果如圖2所示，再求取PF分量的能量組成特征向量。

提取四種信號特征參數如下表所示。時域特征指標、樣本熵、能量特征指標分別從不同特性描述系統信息。

從四種狀態信號分別取25組構成樣本空間。對所有樣本特征提取后進行FCM聚類，聚類中心數目c=4，停止迭代閾值ε=10-4，聚類結果如圖3所示。從圖中可以看出，選取的100組樣本被準確地分為四類，達到了良好的聚類效果。

實驗分析證明，基于多特征量提取的方法能夠準確地診斷出滾動軸承的多種故障狀態，是一種有效的方法。

參考文獻：

[1]楊晨，閻樹田，賀成柱，等.基于峭度與小波包絡分析的滾動軸承故障診斷[J].機械制造，2014，52（2）： 62-64.

[2]楊松山，周灝，趙海洋，等.基于LMD多尺度熵與SVM的往復壓縮機軸承故障診斷方法[J].機械傳動，2015（2）：119-123.