LMD與BP神經網絡在齒輪故障診斷中的應用

【摘 要】本文針對不同齒輪故障振動信號的時域能量分布差異性，提出了一種基于局部均值分解（LMD）和神經網絡相結合的齒輪故障診斷方法。通過對齒輪正常狀態、磨損故障和斷齒故障的分析表明，LMD方法與神經網絡的診斷方法能按頻率由高到低把復雜的非平穩信號分解成有限個PF分量，具有自適應的特點。

【關鍵詞】齒輪；故障診斷；LMD；神經網絡

齒輪箱作為工業生產設備的關鍵部件，其故障發生率較高，因此對齒輪進行故障診斷和監測具有重要意義。目前，齒輪故障診斷的方法大多是將原始信號進行分解，然后通過功率譜分析，如小波包與功率譜結合、經典模式分解（EMD）方法與功率譜結合等，這些方法雖然可以減小噪聲干擾，提高信噪比，但EMD方法中存在過包絡、欠包絡、模態混淆、端點效應、IMF判據和沒有快速算法等問題[1-2]，因此識別效果不是很好。

局域均值分解（LMD）方法是近年由Jonathan S. Smith提出的一種新的自適應時頻分析方法，該方法可以將一個復雜的、具有多個瞬時頻率成分的原始信號分解為若干個瞬時頻率為非負、且具有一定物理意義的PF分量之和。因此，LMD方法在處理齒輪故障振動信號中非常適用[3]。

本文將LMD方法與神經網絡結合起來，對齒輪進行故障診斷分析。首先利用LMD方法對齒輪振動測試信號進行分解和特征提取，以得到若干單分量的調幅調頻信號。然后，將不同頻帶內信號所包含的故障信息的能量比作為特征向量進行提取，并通過神經網絡對齒輪的工作狀態和故障類型進行分析。

一、實驗系統及構成

本實驗中，齒輪采樣頻率為25.6kHz，電機轉速為1000r/min，大、小齒輪齒數分別為38、22，因此輸入軸回轉頻率f1=16.67Hz，輸出軸回轉頻率f2=9.65Hz，其嚙合頻率為fm=366.74。

二、 LMD應用于齒輪振動信號的特征提取

首先對采集到的正常、磨損以及斷齒3種齒輪振動信號進行LMD分解。然后根據LMD分解后的PF分量的能量特征參數，提取其作為BP網絡的正向量。對其進行LMD分解后的結果如圖1所示。

經LMD分解后的各PF分量分別代表了一組特征尺度下的平穩信號，而各頻帶能量比的變化可以表征齒輪的故障特征。本文選取前3個PF分量作為特征向量提取的基礎，并求它們的總能量Ei， 其中i=1，2，3表示第i個PF分量。基于LMD的特征提取步驟如下：

（1）

對元素構造特征向量，并進行歸一化處理，有

T=[E1/E，E2/E，…，Em/E] （2）

將前m個PF分量的特征向量T作為神經網絡的輸入，以正常、磨損故障、斷齒故障3種模式作為網絡輸出，確定網絡結構，對網絡進行訓練，并用訓練好的網絡對測試樣本進行分類識別。

三、神經網絡故障診斷

（一）基于LMD和神經網絡的齒輪故障診斷

對原始振動信號進行LMD分解，選取包含主要故障信息的前3個PF分量，并按頻率成分由高到低的順序排列，求出歸一化后的向量即故障特征向量T；采用BP神經網絡進行分類，將前3個PF分量的特征向量T作為神經網絡的輸入，隱層包括9個隱節點，輸出分別對應正常齒輪、磨損和斷齒3種故障模式，即網絡結構為4×9×3層，其中特征輸入參數為4，隱層為9，輸出為3種故障模式。輸出矩陣的狀態編碼分別為：正常齒輪[1，0，0]；磨損故障[0，1，0]；斷齒[0，0，1]。每種模式分別用15個樣本進行訓練，每個樣本有12600個數據，經過800次訓練后，網絡誤差達到要求，即訓練截至時誤差為0.0001，其中BP神經網絡訓練算法速率為0.1，網絡訓練至收斂。用訓練好的神經網絡對5個測試樣本進行分類識別，結果網絡測試全部通過。表1給出了3個分別對應三種模式測試樣本的識別結果。

四、結論

由于LMD方法是一種自適應信號分解方法，本文通過分析LMD的分解原理，提出了一種基于LMD分解的特征提取方法，很好地將隱含在齒輪振動信號中的故障信息提取出來。BP神經網絡應用于齒輪故障的檢測中，取得了良好的診斷效果。通過本文分析，可得出以下結論。

（1）采用LMD分解方法對齒輪信號進行分解，可得到若干個從高頻到低頻的PF分量，從而有效地提取出齒輪振動信號的特征。

（2）將PF分量中包括主要故障信息的分量進行進一步分析，并將這些分量的能量比作為特征向量輸入神經網絡進行網絡訓練和故障識別，使診斷的準確率更高。

作者簡介：李枝榮（1987.8-），女，漢族，云南昆明，碩士，助理講師。研究方向：信息控制工程。

參考文獻：

[1] Qin S R，Zhong Y M.A new algorithm of Hilbert-Huang transform[J].Mechanical Systems and Signal Processing，2006， 20（8）：1941-1952.

[2] Huang N E，Wu M-L C，Long S R.A confidence limit for the empirical mode decomposition and Hilbert spectral analysis[J].Proc.R.Soc.Lond.A， 2003，459： 2317-2325.

[3]程軍圣，史美麗，楊宇.基于LMD與神經網絡的滾動軸承故障診斷方法[J].振動與沖擊，2010，29（8）：141-144.