基于EEMD與SVM的滾動軸承故障診斷分析

巴 頔，張宏斌，張文華

(齊齊哈爾大學 機電工程學院，黑龍江 齊齊哈爾 161006)

0 引言

滾動軸承作為旋轉機械的重要部件被廣泛應用于裝備制造、航空航天、石油化工、農機工程等領域[1-2]。長期處于復雜多變的工作環境下的滾動軸承呈現出高故障率的特點，從而對旋轉機械設備工作狀態的穩定性造成很大影響，因此，對滾動軸承劣化過程的研究十分必要[3-6]。

近年來基于故障振動征兆的診斷分析被大量應用在滾動軸承故障診斷的研究中[7-9]。針對滾動軸承故障信號非線性、非平衡的特點，本文提出一種基于集合經驗模態分解(EEMD)指標能量的滾動軸承故障分析方法。基于滾動軸承故障振動時間序列表現出的非平穩性、非線性特點，采用集合經驗模態分解對其振動征兆進行平穩化處理，并提取故障振動時間序列指標能量以構建故障特征向量，然后將其輸入到SVM中實現對滾動軸承故障的識別分類。結果表明EEMD指標能量能夠有效表征軸承故障特征，并且基于EEMD與SVM的滾動軸承故障診斷方法具有較高的識別率。

1 EEMD算法與指標能量

EEMD算法作為一種針對非平穩、非線性時間序列的分析方法，在避免EMD分解模態混疊的基礎上，將滾動軸承故障振動信號分解成有限個固有模態分量(IMF)，各IMF分量包含了原始時間序列在不同時間尺度上的時頻特征。滾動軸承不同故障類型的振動時間序列表現出不同的波動特性，其能量隨時間和頻率的分布而改變，各頻率成分的能量中包含大量故障信息，能夠通過其能量特征對不同故障類型進行表征。為了能夠更好地表征滾動軸承不同故障的能量特征向量，引入指標能量的概念，即時間序列某一分量的相對能量占比，其數學表達式如下

式中，ECi和E分別為第i個IMF分量Ci和振動時間序列X的能量參數；m和n分別為IMF分量和振動時間序列X的數據長度；Ei為IMF分量Ci的指標能量。IMF分量Ci指標能量越大，其相對能量占比越大，與故障特征的關聯度越高。

2 EEMD與SVM的滾動軸承故障診斷方法

滾動軸承故障振動時間序列的各IMF分量Ci的指標能量表征其在某一尺度下所蘊含的故障特征信息。時間序列X的指標能量則表征其在多個特征尺度下所蘊含的全部信息。將指標能量作為SVM的特征參數，能夠較好地進行滾動軸承故障識別，其診斷過程如圖1所示。

圖1 故障診斷流程

3 實驗驗證

采用美國凱西西儲大學軸承數據中心提供的驅動端振動加速度數據進行可行性驗證，測試軸承為斯凱孚SKF6205-2RS深溝球軸承[10]。滾動軸承故障狀態振動時間序列測試平臺，如圖2所示。測試平臺由電動機、扭矩傳感器、功率測試儀及控制器四部分組成。滾動軸承故障狀態的典型振動時間序列，如圖3所示。

圖2 滾動軸承故障狀態振動時間序列測試平臺

圖3 滾動軸承正常與故障狀態振動信號

軸承轉速1 772 r·min-1、采樣頻率12 kHz、單點直徑損傷0.177 8 mm時不同故障樣本數據及標簽如表1所示。樣本包含3種故障類型和1類正常數據，每類選取270個樣本。其中訓練樣本220個，測試樣本50個，每個樣本的采樣點數為1 800。

表1 測試數據集

計算所用樣本的EEMD指標能量，構建故障特征向量T，將訓練樣本特征向量輸入到SVM分類器中進行訓練。由于測試樣本較多，文中只列出測試樣本的診斷結果如表2所示。在識別過程中僅在正常和內圈故障出現誤識別的情況，其余故障都得到了準確識別，總體準確率達到了99%，表明該方法能夠對滾動軸承故障進行有效診斷。

表2 測試樣本診斷結果

4 結論

本文提出并實現了一種基于EEMD與SVM的滾動軸承故障診斷方法，實現了故障的有效診斷并且準確率較高。同時也發現軸承的劣化過程還需要進一步研究。