基于EEMD和SOM的軸承故障診斷

李瑞星，戴瑩瑩，王潤賢，曹恵，潘宇航

（河海大學 機電工程學院，江蘇 常州 213000）

0 引言

高速軸承運用范圍廣泛，是交通領域、制造業的主要零部件之一。高速軸承工作周期長，工作環境惡劣，其高速轉動狀態下產生的離心力以及因高溫造成的熱膨脹極易使軸承損壞，導致機器故障，造成生產作業停滯、生產效率降低及安全事故等問題。因此開展軸承診斷對于提高生產效率、排除安全隱患意義重大。

針對軸承的故障診斷，國內外學者提供許多解決方法。文獻[1]中提出的EMD分解方法適用于分析非線性和非平穩信號的情況，但EMD中模態混疊和端點效應等問題，又在很大程度上影響了故障診斷結果的準確性[1]，影響系統的相關功能運行。針對EMD帶來的模態混疊現象[2]，文獻[2]提出的EEMD分解方法，與EMD可能造成模態混疊的問題相比，在一定程度上可有效抑制這一問題。

近年來，神經網絡被廣泛運用于故障診斷領域，SOM神經網絡系統效率高，具有無監督學習的特點，適用于高維數據的可視化，保持輸入空間的拓撲結構。同時，相比于其它神經網絡，它具有很高的泛化能力，甚至能識別以前從沒遇過的輸入樣本。

1 常見軸承故障類型及實驗平臺簡述

1.1 常見軸承故障類型及危害

軸承作為一個用途十分廣泛的基礎零件，其發生故障的可能性也極高，而軸承發生故障常常會引起相關機械設備故障，導致機械生產效率下降，故障嚴重時甚至有可能發生嚴重的安全事故，由此可知，對于滾動軸承的實時故障監測尤為重要。

同時因為滾動軸承在各方面的機械設備中都有廣泛應用，故其出現故障的類型也具有多樣性，如微小異物導致的磨損、軸承材料因相互剪切產生疲勞、軸承座內溫度變化水汽侵入產生腐蝕、受沖擊載荷作用產生塑性變形、局部應力過高導致破裂等。

1.2 聲學信號故障診斷

傳統的故障診斷方法主要采用的是接觸式故障診斷，靈活性相對較低，只能進行定點檢測。基于聲音陣列的故障診斷屬于非接觸式故障信號采集，可以有效避免檢測時靈活性差以及環境干擾的問題。目前的研究中心側重于通過聲音信號識別其是否為故障音，并沒有對故障聲源發生的位置進行深入研究[3]。在過去的科學研究中，因為聲音信號的特殊性以及聲音擴散場的復雜性，關于聲音信號定位技術的研究，主要偏向于理論算法仿真，但在工程領域運用聲音信號檢測存在運算量大、精度低等問題[4]，故其應用范圍有限。

1.3 聲音信號采集實驗平臺簡述

搭建的實驗臺整體分別由電動機、滾動軸承故障模擬套件、負載、聲音傳感器、數據采集系統和電腦組成。滾動軸承故障模擬套件主要由1根軸、2個軸承座、1個正常軸承及4個帶有預制故障的軸承組成。在進行實驗時除設置1組正常軸承作為對照外，按故障發生位置不同設置了4組故障軸承，假使故障的發生位置分別是外圈、滾子、內圈及其混合（即3處位置同時發生故障）。通過更換不同的故障軸承來模擬相應故障發生。聲音傳感器連接數據采集系統將采集到的信息輸入電腦。通過采集4組不同類型故障滾動軸承以及與之對照的正常軸承相應的聲學信號數據，為下文分析處理相應故障軸承聲學信號數據提供基礎。實驗平臺如圖1所示。

圖1 軸承故障實驗平臺

因為聲學信號的故障診斷信息采集屬于非接觸式采集，聲音信號采集器只需安放至模擬的故障軸承一定距離處即可。為控制因不同轉速、采集頻率等導致的實驗誤差，規定實驗中電動機轉速為1200 rad/s，采集頻率為5000 Hz。

2 實驗分析

2.1 EEMD算法基本原理

自適應分解數據序列的算法EMD在實際應用中由于模態混疊的問題在很大程度上影響了信號分解后的精確性和故障類型不同特征值提取時的效率[5]。對于模態混疊的問題，有一種以EMD算法為基礎的EEMD算法，其原理與EMD相同，通過在實驗測取的軸承原信號中加入高斯白噪聲，借此改善極值點分布間隔距離，有效消除模態混疊等問題帶來的影響，并可以通過對IMF信號求均值的方法消除原始信號中混入高斯白噪聲的影響[6]。EEMD算法操作過程如下：

1）首先在原信號x（t）中多次加入均勻分布的高斯白噪聲nm（t），規定摻入次數為M，幅值為k，均值為0，得到信號xm（t）：

其中，m=1,2,3，…,M。

2）將測取獲得的原始信號xm（t）代入EEMD算法中，根據樣本數得到N個IMF分量（IMF分量的值與實驗樣本采樣率有關），規定在EEMD算法中第m次加入高斯白噪聲后獲得的第j個IMF分量，定義為cj，m，其中j=1，2，3，4，…，N。

3）如果m的值沒有大于總體摻入次數，即令m=m+1，繼續進行步驟（2）的分解，直到m>M。

圖2 EEMD算法流程圖

2.2 EEMD算法的應用

在具體實驗中，選取5種不同的軸承類型分別測取其聲音信號。將5種不同故障類型的軸承在搭建的實驗平臺上采集到的原始信號經EEMD分解，分別被分解為13個IMF分量，從高頻至低頻順序排列。本文中以正常軸承EEMD分解結果為例（如圖3），經EEMD分解，低頻段IMF分量一定程度上呈周期性變化趨勢，較好地實現沖擊成分和低頻信號的分離，每個IMF分量在模態混疊上得到了改善，特別在低頻段更為明顯。

圖3 正常軸承EEMD分解結果

2.3 軸承故障特征量化提取

2.3.1 時域特征參數概念

軸承工作時其周邊振動隨時間變化，在實驗平臺上通過測試儀器采集到的相關動態信息稱為時域信息。采用的時域特征參數法是將利用時域特征參數分析采集到的信息，根據信號的不同變化特征來確定軸承狀態[7]。常見的特征參數有兩大類，有量綱參數和無量綱參數。通過實驗，對每種故障類型的13個IMF分量就均值、脈沖因子等8個時域特征參數進行特征值提取。

有量綱參數會隨著時間變化產生變化，能很好地通過特征值數據分析來反映故障的狀況。提取的特征值中所用的有量綱參數公式如表1所示。

表1 有量綱參數公式

無量綱參數的加入可以有效反映軸承的實時狀況，彌補了有量綱參數指標的數值因工況條件變化而變化的問題，整體表征軸承的工作狀態[8]。提取的特征值中所用到的無量綱參數公式如表2所示。

表2 無量綱參數公式

2.3.2 時域特征參數提取

有量綱特征參數的提取可以有效反映實際故障部分的情況，對于軸承的故障程度也可以提供相對的參考價值。無量綱特征參數的運用則從整體表征軸承狀態。

在實驗平臺上，分別對4種典型的軸承故障類型以及正常軸承進行信號提取。每組軸承類型原信號通過EEMD分解得到13個IMF分量，并對各狀態下各組數據進行時域特征參數提取。以正常軸承時域特征參數提取的具體數據為例，如表3所示。

表3 正常軸承時域特征參數

在測得的8組時域特征參數中，有量綱特征參數中峭度能夠有效反映出信號中包括的沖擊分量，標準差表征信號的離散程度，峰峰值可以表示振幅的最大值等，從而為軸承的故障診斷提供依據。

如圖4所示，5種類型的軸承信號均值特征參數在中低頻段都較為平穩，無明顯沖擊，從IMF分量9開始的高頻段，不同軸承故障類型均值特征參數量變化明顯。對于滾子故障軸承其變化趨勢明顯異于其他4種軸承變化趨勢。由此可見，均值是一個對滾子故障類型較為敏感的特征參數。如圖5所示，正常軸承、內圈故障及混合故障軸承在 中高頻段均較為平穩，在IMF2分量及IMF9分量上正常軸承、滾子故障及外圈故障軸承3種不同故障類型軸承的均產生突變。所以通過峭度這一有量綱特征參數也可以有效地判斷軸承的故障類型。

圖4 不同故障軸承均值特征參量對比

圖5 不同故障軸承峭度特征參量對比

本文以峭度和均值兩個特征參數為例進行說明。在實驗結果的數據分析中，對于脈沖因子、波形因子及峰值因子3個特征參數，均可明顯觀察到其在IMF2分量和IMF9分量有一定的變化規律。因此脈沖因子與峰值因子是可以被用來衡量有無沖擊的兩種特征參數指標，而裕度因子可以被用來檢測點蝕情況。

綜上，對于實驗提取的各時域特征參數分別選取能直觀反映其軸承故障特征的IMF分量。對于均值與均方根采用IMF10分量上的特征值；峭度、脈沖因子、裕度因子、峰值因子選用IMF2分量及IMF9分量上的特征值。

3 SOM神經網絡分析

3.1 SOM神經網絡基本原理

SOM神經網絡結構中，輸入層由數量為m個的神經元構成，映射層是一個二維平面列陣，其組成為a×b個神經元。在輸入層與映射層之間，全連接模式覆蓋全部神經元間。SOM網絡模型組成模塊如下：

1）單元陣列的問題解決。首先規定在輸入層獲取輸入信號，得到具有相應功能的“判別函數”。

2）擇優選擇功能模塊。判斷“判別函數”是否最優化，獲得最優的處理單元。

3）區域關聯模塊。同時激勵所選單元及與其距離最小的單元模塊。

4）自我調節模塊。改正處理單元參數，獲得更多對應特定輸入“判別函數”的輸出值[9]。

3.2 SOM算法

1）網絡標準化。

規定選用隨機數作為權值的原始樣本。有限個關聯神經元之間連接的權值賦值不宜過大。將輸出神經元中j個“鄰接神經元”歸入同一集合，即集合Sj。其中，Sj（0）所代表的含義為t=0時段神經元所有“鄰接神經元”j的集合，Sj（t）所代表的含義為t時刻所有“鄰接神經元”的集合。區域Sj（t）因時間變化而改變，其值因時間的延長而減小[10]。

2）輸入格式化。

把輸入向量X=（x1,x2,x3,…，xm）T輸入給輸入層。

3）映射層向量距離計算（歐式距離）。

以計算映射層的第j個神經元和輸入向量的距離為例，計算如下：

式中，wij為輸入層的i神經元和映射層的j神經元之間的權值。根據定義標記勝出神經元，標記為j*，即確定某個單元k，存在對于任意的j，滿足dk=min（dj）并給出其鄰接神經元集合[11]。

4）權值賦予。

改正輸出神經元j*與“鄰接神經元”的權值：

式中，規定η是一個介于0和1之間的常數，隨時間變化而趨向于0。

5）計算輸出Ok。

式中，f（*）為0～1函數或者其他非線性函數。

6）檢驗設定要求達標量。結果達到預期要求，本輪學習結束；結果沒有達到預期要求，再次回到步驟2），重新進行學習。

3.3 SOM神經網絡模型建立及應用

本文對軸承進行故障診斷，需要根據軸承故障特性搭建模型，共分為輸入層、映射層和輸出層3層。以不同故障類型的IMF1分量為例，提取上文涉及的8個時域特征參數，利用SOM進行故障診斷。故障樣本如表4所列（數據已歸一化）。

表4 常見的8種故障特征

SOM神經網絡的具體操作過程如下：1）針對故障樣本的標準化形式進行聲音信號采集。2）學習并分析采集數據，把標準化故障標記為最大輸出神經元。3）在SOM神經網絡中檢測待檢樣本。4）通過所處位置進行判別，若待檢故障樣本的位置與輸出神經元的輸出層的位置相同，則有故障發生；若輸出神經元在輸出層的位置介于不同標準化故障之間，則該軸承存在混合故障，故障程度由樣本所在位置與對應的標準化樣本位置的歐式距離確定[12]。

4 結語

本文基于EEMD對故障軸承檢測的原信號進行分解處理，使用SOM神經網絡對樣本信號進行診斷識別，從而形成一種軸承故障診斷方法。根據EEMD分解后得到13個IMF分量，利用時頻域指標進行各IMF分量特征量參數對比；根據各時域特征參數的性能分別選取能直觀反映其軸承故障特征的IMF分量。本文提出的軸承故障診斷方法具有更高的分類準確率，提高了故障軸承診斷效率。

1）相對于傳統振動信號檢測，聲學信號檢測更為靈活便捷，且此次研究對滾動軸承故障具體發生于外圈、內圈、滾子或同時出現故障有一定探討。

2）選用基于EMD的改進算法EEMD，較好地實現沖擊成分和低頻信號的分離，減緩了模態混疊造成的偏差。選用的時域特征參數既可以有效反映軸承的實時狀態，又可以整體表征軸承的工作狀態。

3）基于集合經驗模態及SOM神經網絡識別，提高診斷的精確性。