文摘
基于整体的滚动轴承故障诊断方法本地characteristic-scale分解(ELCD)和极端学习机(ELM)提出。振动信号分解使用ELCD和很多内在规模组件(isc)。接下来,时域指标、能源和内在规模的相对熵计算组件。根据基于距离的评估方法,灵敏度特性可以提取。最后,敏感性特征输入到极端的学习机器识别滚动轴承的故障类型。实验结果表明,该方法取得了更好的性能比支持向量机(SVM)和反向传播(BP)神经网络方法。
1。介绍
滚动轴承是最重要的组件的任何机械设备,经常在各种工业应用中被发现。由于其广泛的工业应用,滚柱轴承故障诊断是至关重要的,以防止灾难性的失败的机器,从而防止经济损失(1,2]。滚动轴承的状态通常由处理振动信号监测(3]。当故障发生时,采集振动信号的非平稳。因此,可靠的故障检测系统需要采用适当的方法来处理振动信号。
传统的信号处理方法,如小波和傅里叶变换处理振动信号被广泛使用。Rafiee等人小波应用于滚动轴承的故障诊断,取得了好的结果(4]。短时傅里叶变换已被证明是优越的机械故障诊断(5]。小波变换和傅里叶变换方法无法准确地分析振动信号,因为可怜的适应。经验模态分解(EMD)代表了经典时频分析方法,和EMD已广泛采用机械故障诊断、地震监测、桥梁结构状态监测(6- - - - - -8]。然而,EMD患有over-envelope under-envelope,端效应和其他缺陷(9]。地方平均分解(LMD)方法已经广泛应用于不同的领域,如脑电图(EEG)处理和机械故障诊断。这是因为其强大的能力和优良的时频分析处理非平稳的信号性能。然而,LMD本身也有大量的迭代计算和问题最终影响(10,11]。最近,陈等人提出了一种新的自适应信号处理方法,当地characteristic-scale分解(LCD),可以将一个非平稳的信号分解成几个内在规模组件(isc) [12- - - - - -14]。通过分析每个ISC,可有效提取原始信号的特征信息和更高的精度。由于性能优良的时频分析,液晶方法已被广泛用于分析机械故障诊断的非平稳信号。与EMD方法,液晶方法也导致mode-mixing效应(13]。因此,一种改进液晶方法,合奏当地characteristic-scale分解(ELCD)方法,提出了振动信号分解。这有效地消除mode-mixing并允许精确的内在规模组件来获得。
有两个主要挑战实时故障诊断系统的发展。第一个是收集的大量数据实时监控系统,这是多元和非线性。第二个挑战是相关需求快速故障识别在很短的时间内。众所周知,只需要几秒钟断层传播并导致灾难性故障。这将造成重大经济损失,可能导致人员受伤或死亡。因此,如果存在任何故障,诊断系统应该能够探测到故障立即通知控制中心发出警报信号,因此可以采取必要的纠正行动。传统的模式识别方法,如反向传播(BP)神经网络和支持向量机(SVM),广泛应用于故障诊断(15,16]。杨等人杰出的信号在不同腐蚀阶段使用BP神经网络在罐底的声发射检测17,18]。然而,BP神经网络有缺点与丰富的参数设置和收敛速度慢和容易陷入局部最小值。所有这些问题限制精度和广泛应用的诊断(19,20.]。与BP神经网络相比,支持向量机的泛化性能已经大大提高,但需要人工作业的核函数和核函数参数。这大大限制了应用支持向量机(21,22]。极端学习机(ELM)是一种新的基于神经网络的分类器(23,24]。理论上,该算法倾向于提供最好的泛化性能以极快的速度学习。因此,它广泛应用于齿轮故障诊断、能源领域,和销售预测。此外,榆树已经证明需要人工干预,减少运行时间比支持向量机(SVM) [25]。由于这些优势的榆树,榆树提出了实现实时状态变量条件下滚动轴承的分类。
在这个工作中,提出了一种基于ELCD和榆树新方法来识别不同的滚动轴承的工作条件。首先,ELCD用于振动信号分解为多个内在规模组件。应用于ISC特征值,采用基于距离的评价方法计算轴承敏感特性不同的工作条件。这些功能是输入榆树识别滚动轴承故障模式。
2。简介液晶和ELCD
2.1。合奏地方平均分解
液晶是一种新的自适应信号分解方法。任意两个分解isc是相互独立的,与瞬时频率的物理意义。ISC需要满足以下两个条件(12,13]。
一个信号应该正面和负面价值的最大值和最小值,分别和任何相邻的最大值和最小值应该见证单调关系。
的数据,让所有最大点表示 。任何两个相邻极端点,形成的线 ,在作为 ,指定如下:
然后,关系 应该是真的,在哪里
任何复杂的信号可能写其液晶显示结果如下: 在哪里表示剩余组件。
内在尺度具有不同特征尺度的组件通过液晶方法获得。Mode-mixing现象分解过程的生成一些组件,有不清楚的物理意义。因此,合奏当地characteristic-scale分解(ELCD)方法在本研究中用于信号处理。该方法解决了mode-mixing问题通过使用白噪声的统计特性;也就是说,他们有均匀分布的频率。白噪声的有限振幅不断添加到信号形成一个复合信号。然后,使用液晶这种混合信号分解,计算平均multi-decomposed组件。Mode-mixing液晶方法消除的效果。ELCD算法如图1。
2.2。算法仿真
为了验证算法,组件产生影响,高频正弦波,低频正弦波是用来形成一个模拟信号。结果如图2(一个)- - - - - -2 (d)。
(一)
(b)
(c)
(d)
模拟信号是由液晶法和ELCD法分解。在这项研究中,噪声添加ELCD有信号幅度的0.01倍的信号标准偏差和总均值120倍。结果如图3和4。
(一)
(b)
(c)
(d)
(一)
(b)
(c)
(d)
在图3使用液晶显示方法,分解结果。可以看出,模拟信号的分解组件有mode-mixing效果。高频组件和扭曲组件出现在ISC2 ISC1组件和组件。见图4,影响组件以及高频和低频正弦波由ELCD准确地分解。此外,mode-mixing现象不发生在ELCD方法。
3所示。特征提取
3.1。特性计算
单一的时域或频域特性不能有效代表机械故障,遭受低诊断精度和较低的普遍性。在这个工作中,使用频域;时域和其他参数被用来代表不同的滚动轴承的工作条件。无量纲指标、偏态、峰态,峰值指标、波形指数、脉冲指数和保证金指数可以用来表示滚动轴承故障特征。这些数量是广泛应用于机械故障诊断(2]。Kullback-Leibler (K-L)差异称为相对熵。它可以用来测量两个信号的相似。分解不同的振动信号不同于原始信号的相似性和K-L散度。能量可以反映信号强度。轴承在不同的工作条件有不同的能量在不同的频段。对任何信号 ,上面的参数指标定义如下:
以下符号已经被使用: :偏态, :峰度,和 :信号的平均值和标准不同, :峰值指标, :波形指数, :脉冲指数, :利润率指标, :能量。K-L散度方法。
非参数估计方法用于计算信号的概率分布,然后给出K-L距离 在哪里 信号的概率分布。
计算K-L散度 :
3.2。基于距离的特征选择
ELCD过程获得的多个isc信号从不同的振动信号,8 isc的参数指标进行了计算,得到了一系列的特性指标。其中的一些参数与故障信息相关联。其他参数并不是无关紧要的,因此有必要进一步处理来提取敏感特性。在这工作,杨et al。17提出了基于距离的评估方法。主要功能是选择使用基于距离从整个功能评价方法。基于距离的评估方法是最受欢迎的特征选择方法;因此,它被广泛用于并行的皮尔森相关系数和信息增益(2]。基于距离的评价方法的基本思想是,较小的样本之间的距离在同一类别样本时更好的特征和不同的类之间的距离更有利。这种方法所涉及的步骤如下。
评估的平均距离,距离是由
在这里,代表属于样品的数量cth类;J特性集的大小;和的价值吗jth的特点米th的样本c类。的平均距离的j属于所有的th特性类是由
计算平均值: 和评估平均距离的不同的类: 在哪里和是两个不同的类。
计算的评价因素th特性的
评估因素的反映灵敏度特性。更大的评价因素表示更敏感的特性。
计算阈值并采取功能大于其评估因素作为一个敏感的因素:
显示一个值的重复实验= 2导致最优结果。
4所示。极端的学习机器
黄提出的榆树,et al .,最初是为开发single-hidden-layer前馈神经网络,然后扩展到“广义”single-hidden-layer前馈网络(SLFNs)。榆树是一种新的学习算法更快的学习速度和更好的泛化性能(24,25]。榆树算法可以找到详细信息(24]。榆树的输出表达式读取 在哪里 ,输入体重,隐藏层偏差,分别和输出的重量。输入和输出向量是用和 。样品数量和激活函数是用和 ,分别。对于后者,在实践中,乙状结肠函数是经常使用的。假设样品和一些隐藏层部分培训和测试,榆树程序如下:(1)初始化并保持体重和偏差 。(2)计算隐层输出矩阵 。(3)计算输出的重量 。(4)输出特征向量进行测试。
在本节中,提出基于ELCD和榆树的滚动轴承故障检测方法。故障特征可以通过加工由多个传感器采集到的振动信号。正如前面所提到的,有些是与断层相关的信息和其他并不是无关紧要的。因此,其他参数用于进一步提取故障的敏感特性。榆树是用来识别滚动轴承故障模式。总结的过程故障诊断使用ELCD和榆树示意图见图5。
5。实验分析
5.1。实验
本研究采用滚动轴承美国凯斯西储大学的数据进行处理。实验采用6205 - 2 rs杰姆SKF深沟球轴承,旋转电机负荷为735.5 W。滚动轴承速度设置为1797 rpm,采用电火花加工技术与故障处理轴承为一个直径0.3556毫米和断层深度为0.2794毫米。在这项研究中,传感器采样频率是12 kHz,收集四种工作状态振动信号,分别指的是正常状态,滚动体故障,内部比赛,和外环缺陷,每个数据样本的长度为2500分。收集到的四个信号如图6。
(一)
(b)
(c)
(d)
是组件的分解ELCD内座圈故障的振动信号如图7。
我们可以看到在图7八是组件。然后,偏态、峰态,峰值指标、波形指数脉冲指数、优势指数,能源,和相对熵8 isc计算。这是用于获得一系列的特性,其中一些包含主要信息和其他包含一些信息。因此,采用基于距离的评估方法计算距离系数和阈值,如图8。
图8表明,阈值评价可以获得15敏感特性。为了区分ELCD和液晶的优缺点,滚动轴承灵敏度特性在不同的工作条件进行了计算,将意味着多个实验,比较结果如图9。
(一)LCD敏感特性
(b) ELCD敏感特性
图9表明,液晶目击者mode-mixing计算敏感特性和不均匀分布,和不明显的差异不同的工作条件。ELCD经验敏感性的分布特性,克服分解mode-mixing。在不同的工作条件,准确地识别断层榆树分类器使用。
5.2。模式识别
根据结果在前一节中,为不同的振动信号灵敏度特性计算和选择作为输入数据来训练和测试极端的学习机器。同时,本研究采用ELCD, LCD, EMD, LMD处理振动信号的方法。测试样品的结果如图所示10与那些使用ELCD比较。测试两种方法是列在表的准确性1。
(一)
(b)
(c)
(d)
见图11和表1遭受mode-mixing EMD和液晶方法。因此,测试样本是贫穷的结果。LMD方法也有大量的迭代计算和最终效果。结果,测试精度LMD-ELM是不好的。ELCD方法可以有效地消除mode-mixing和获得准确的内在规模组件。因此,实验结果表明,该ELCD-ELM方法能有效地识别滚动轴承的工作条件不同,在识别率高于其他方法。60组数据为训练和测试,选择其中40组用于培训和20组是用于测试。三个分类器,支持向量机,英国石油(BP)和榆树,用于训练和测试数据。测试结果如图11。
(一)
(b)
(c)
(d)
见图11,所有三个分类器可以区分不同的滚动轴承的条件,但与英国石油(BP)和支持向量机相比,榆树分类器达到最高的平均识别率和识别滚动轴承故障模式,因为较低的人工干预,降低运行时间。
6。结论
收集到的振动信号往往混有大量的环境噪声,使得故障信号特征为滚动轴承故障诊断无关紧要。在这项研究中,一种新颖的用于滚动轴承故障诊断方法提出了基于ELCD和榆树。ELCD方法提出了过程的非平稳振动信号,克服mode-mixing液晶方法的现象。采用基于距离的评价方法计算轴承敏感特性不同的工作条件。为了解决传统的英国石油(BP)和支持向量机分类器的缺点,如复杂的参数设置和收敛速度低,榆树是用来识别滚动轴承故障模式。理论分析和实验结果表明,该ELCD-ELM方法比其他方法具有较高的精度。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由河南高速铁路运营和维护支持的工程研究中心,也是中国星火计划重点项目(2015 ga750005)和河南省的关键科学和技术项目,中国(152102210130)。