劉 霞 孫美巖 薛海峰 龐永貴

(1.東北石油大學(xué)電氣信息工程學(xué)院，黑龍江 大慶 163318；2.中國石油集團(tuán)測井有限公司，西安 710021； 3.大慶物探一公司，黑龍江 大慶 163357)

根據(jù)傳感器測得的振動信號對機(jī)械故障進(jìn)行診斷，是機(jī)械故障診斷中一種常用的有效方法。其中的核心技術(shù)是通過分析、處理振動信號用以提取機(jī)械故障信號的特征。常用的故障特征提取方法是短時(shí)傅里葉變換及Wigner-Ville分布等。短時(shí)傅里葉變換是應(yīng)用最基本的時(shí)頻分析方法，同時(shí)也是一種時(shí)窗大小和形狀都固定不變的分析方法。Wigner-Ville分布有很多優(yōu)點(diǎn)，如對稱性及重構(gòu)性等，但也存在交叉干擾項(xiàng)的問題，此問題構(gòu)成了時(shí)頻特征模糊不清的現(xiàn)象，同時(shí)也受噪聲的影響。為了解決以上問題并更有效地提取故障信號的特征，筆者提出了相關(guān)性小波奇異熵的算法，將小波變換、相關(guān)性、奇異值分解和信息熵理論有效地結(jié)合在一起。首先，由于軸承振動信號具有非線性、非平穩(wěn)的性質(zhì)[1]，而小波分析被稱為信號的顯微鏡，適合分析非平穩(wěn)信號；其次，由于信號的小波變換在各尺度間具有較強(qiáng)的相關(guān)性，而噪聲的小波變換在各尺度卻沒有明顯的相關(guān)性，因此引入相關(guān)計(jì)算，以去除噪聲對有效信號的影響；當(dāng)軸承出現(xiàn)不同的故障時(shí)，故障信號的奇異值也會發(fā)生相應(yīng)的變化，再對相關(guān)計(jì)算后的系數(shù)進(jìn)行奇異值分解；最后，利用信息熵進(jìn)行計(jì)算，信息熵是對不規(guī)則復(fù)雜程度的度量。以熵值作為故障特征向量輸入到概率神經(jīng)網(wǎng)絡(luò)里進(jìn)行故障識別。

1.1 小波變換

(1)

則稱ψ(t)為一個(gè)小波函數(shù)或母小波。將母小波ψ(t)經(jīng)過伸縮和平移后生成：

(2)

稱其為一個(gè)小波序列。其中，a為尺度因子，b為平移因子。

(3)

相應(yīng)的離散小波函數(shù)為：

(4)

設(shè)有離散采樣序列x(n),n=1,2，…，N，如果以x(n)表示在尺度j=0時(shí)刻的近似值，a0=x(n)，則x(n)小波變換由下式確定：

(5)

其中，H和G分別為高通濾波器和低通濾波器，aj和bj分別為信號尺度的近似系數(shù)和細(xì)節(jié)系數(shù)。故障振動信號x(n)經(jīng)過尺度1,2,…,j層分解，最終分解為d1,d2,…,dj,aj，它們包含了信號從高頻到低頻不同頻帶的信息。

1.2 相關(guān)性理論

根據(jù)信號與噪聲的小波變換在各個(gè)尺度下不同的傳播特性，引入相關(guān)計(jì)算，以去除噪聲對信號的影響。介紹一下相關(guān)系數(shù)，其定義為：

Cor(j,k)=Wf(j,k)·Wf(j+1,k)

(6)

Wf(j,k)={aj(k),dj(k)}

(7)

式中Cor(j,k)——分解尺度j上k點(diǎn)的相關(guān)系數(shù)；

Wf(j,k)——尺度j上k點(diǎn)的小波系數(shù)。

對相關(guān)系數(shù)進(jìn)行規(guī)范化處理以便使小波系數(shù)和相關(guān)系數(shù)能夠具有對比性。

1.3 奇異值分解原理

當(dāng)軸承出現(xiàn)不同的故障時(shí)，振動信號中的頻率分布會發(fā)生變化，信號的奇異值也會發(fā)生相應(yīng)的變化[3～5]。同時(shí)，矩陣奇異值還具有比例不變性和旋轉(zhuǎn)不變性。為了檢驗(yàn)軸承故障的類型，在小波分解的基礎(chǔ)上，計(jì)算各個(gè)尺度上奇異值的改變。首先對規(guī)范化以后的相關(guān)系數(shù)進(jìn)行相空間重構(gòu)。

設(shè)j層上相關(guān)計(jì)算后的信號為Dj={dj(k)}。將Dj中dj(1),dj(2),…,dj(n)作為相空間的第一個(gè)矢量，然后右移1步即可得到第二個(gè)矢量，依次類推，可以構(gòu)造出一個(gè)(N-n+1)×n維矩陣A，一般說來，A多采用Hankel矩陣形式：

(8)

對相空間重構(gòu)的信號A進(jìn)行奇異值分解。設(shè)A是m×n維的正交矩陣，SVD可以把矩陣A分解成3部分：

A=UΛVT

(9)

其中，U是m×m維的正交矩陣，V是n×n維的正交矩陣，Λ=diag(α1,α2,…,αN)為對角矩陣，r為矩陣A的秩。U和V矩陣分別稱為左奇異矩陣和右奇異矩陣，α1，α2，…，αN為矩陣A的奇異值，且呈遞減順序，即α1≥α2≥…≥αN≥0，并且每個(gè)奇異值的重要性是不同的。

1.4 相關(guān)性小波奇異熵

信息熵是信源輸出信息不確定性的定量評價(jià)指標(biāo)，也是表征信源總體特征的一個(gè)量。信息熵對于調(diào)制信號的內(nèi)在信息具有很好的刻畫能力，應(yīng)用比較廣泛。因此可以將信息熵應(yīng)用于對軸承故障信號的特征提取[6]。

(10)

其中，pi=αi/α，α為所有奇異值之和，即α=α1+α2+…+αN。

1.5 相關(guān)性小波奇異熵特征提取算法

相關(guān)性小波奇異熵特征提取算法的步驟如下：

a. 對軸承故障信號進(jìn)行小波分解；

b. 根據(jù)相關(guān)公式對各尺度小波分解系數(shù)進(jìn)行計(jì)算和規(guī)范化處理；

c. 利用式(8)對每層相關(guān)計(jì)算后的系數(shù)進(jìn)行相空間重構(gòu)；

d. 對每層相空間重構(gòu)的矩陣A進(jìn)行奇異值分解；

e. 根據(jù)式(10)計(jì)算故障信號的相對性小波奇異熵；

f. 將熵值作為特征向量對滾動軸承進(jìn)行特征提取。

2 改進(jìn)算法的性能分析

2.1 容噪能力分析

當(dāng)滾動軸承出現(xiàn)不同故障時(shí),振動信號會出現(xiàn)調(diào)制現(xiàn)象,具體現(xiàn)象為在共振頻率周圍存在邊頻帶,邊帶間隔就是調(diào)制頻率,也是軸承故障特征頻率。為此，建立滾動軸承仿真信號為：

x(k)=e-at×sin2fckT

(11)

(12)

式中fc——載波頻率；

fm——調(diào)制頻率；

T——采樣時(shí)間；

α——指數(shù)頻率。

當(dāng)α=800，fm=100Hz，fc=5000Hz，T=1/25000s，信號長度為8 192點(diǎn)時(shí)，信噪比為3dB，原信號和加噪信號如圖1所示。選擇db5小波對其進(jìn)行十二層小波分解，對原信號和加噪信號計(jì)算相關(guān)性小波奇異熵，其中第十一層和第十二層的熵值相等，具體數(shù)據(jù)見表1。

圖1 原始信號和加噪信號波形

信號第一層第二層第三層第四層第五層第六層第七層第八層第九層第十層第十一/十二層原始信號4．35144．43874．21573．79383．04452．39241．68871．28601．08720．72750．4055加噪信號4．31584．44514．21823．77632．97922．36161．69641．27701．07650．76300．4171

通過仿真研究可以看出，加噪前后的相關(guān)性小波奇異熵沒有明顯的變化，說明該方法能夠很好地消除噪聲對信號的影響，更好地判斷信號的局部分布狀況，因此相關(guān)性小波奇異熵可以應(yīng)用于軸承故障信號的特征提取。

2.2 穩(wěn)定性分析

通過對實(shí)際的軸承測量，對故障信號的穩(wěn)定性進(jìn)行分析。實(shí)驗(yàn)用的軸承為圓柱滾子軸承N205，軸承參數(shù)為：轉(zhuǎn)速1 200r/min，頻率40Hz，采樣數(shù)8 192點(diǎn)。故障類型為滾動軸承的內(nèi)圈故障、外圈故障和滾珠故障，其軸承故障信號如圖2所示。對軸承的4種故障信號各做40次實(shí)驗(yàn)，然后為每種故障信號的40組數(shù)據(jù)進(jìn)行相關(guān)性小波奇異熵計(jì)算，得到部分熵值見表2。

圖2 軸承故障信號

軸承狀態(tài)第一層第二層第三層第四層第五層第六層第七層第八層第九層第十層第十一層正常軸承4．27824．49694．35194．10913．35212．68461．78731．19030．78830．52730．3141正常軸承4．27604．50484．36264．10933．44862．72561．77391．19110．77860．46870．3095正常軸承4．27464．50244．37244．06233．36862．58541．76751．22930．79360．49290．3534內(nèi)圈故障3．90364．39084．47544．43354．10163．28492．22751．35760．81660．50440．3166內(nèi)圈故障3．91784．39584．46284．39654．10383．07972．13531．36650．79890．50320．3248內(nèi)圈故障3．91694．39164．46074．38054．10293．19332．12501．33500．81950．54650．3286外圈故障4．59744．53924．07303．63223．20362．54761．79661．18640．77960．50770．2994外圈故障4．58144．51583．99013．59403．29092．52341．79371．18710．80360．50420．3195外圈故障4．59264．55054．10913．65193．19982．56611．75811．18600．79130．52050．2966滾珠故障4．04254．40054．44434．30623．63902．68201．87961．26340．79770．52200．3230滾珠故障4．06594．42234．44334．38123．71062．69131．87711．22970．79770．52080．3228滾珠故障4．06794．40614．41424．37023．71502．68011．95921．22040．82930．56440．3593

從表2中的相關(guān)性小波奇異熵值可以看出，內(nèi)圈故障、外圈故障、滾珠故障和正常軸承的奇異熵值處于不同的數(shù)值范圍內(nèi)，有明顯的區(qū)分度。每種軸承故障信號相關(guān)性小波奇異熵沒有明顯的變化，說明該方法所得的特征矢量相對比較穩(wěn)定。

3 基于概率神經(jīng)網(wǎng)絡(luò)的故障分類

概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Networks，PNN)是吸收了徑向基函數(shù)網(wǎng)絡(luò)和經(jīng)典的概率密度估計(jì)的優(yōu)點(diǎn)發(fā)展而來的一種前饋型神經(jīng)網(wǎng)絡(luò)。其理論依據(jù)是葉斯最小風(fēng)險(xiǎn)準(zhǔn)則，概率神經(jīng)網(wǎng)絡(luò)是一種徑向神經(jīng)網(wǎng)絡(luò)，適合于模式分類。由于概率神經(jīng)網(wǎng)路模型具有非線性分類能力，可以將故障樣本空間映射到故障模式空間中，因此可形成一個(gè)具有較強(qiáng)容錯(cuò)能力、結(jié)構(gòu)自適應(yīng)能力的網(wǎng)絡(luò)系統(tǒng)，從而提高故障特征提取的準(zhǔn)確率。

PNN由輸入層、模式層、求和層和輸出層4部分組成。其中訓(xùn)練樣本的值送給輸入層，將特征向量傳送給網(wǎng)絡(luò)，其神經(jīng)元個(gè)數(shù)和樣本向量的維數(shù)是一樣的。模式層計(jì)算來自輸入的故障信號的特征向量與訓(xùn)練樣本中各個(gè)類型的匹配關(guān)系，模式層神經(jīng)元的數(shù)目等于各個(gè)類型所有的訓(xùn)練樣本數(shù)，該層每個(gè)模式部分的輸出如下：

(13)

其中，W為從第一層到第二層的連接權(quán)值，等于輸入向量的轉(zhuǎn)置；δ為平滑因子，在分類中起著非常重要的作用。

第三層是求和層，是將屬于某種類型的概率累計(jì)，按式(13)計(jì)算，可以得到故障模式的估計(jì)概率密度函數(shù)。求和層單元的輸出與各類基于內(nèi)核的概率密度的估計(jì)成比例，通過輸出層即最后一層的歸一化處理，能夠得到各種類型的概率估計(jì)。網(wǎng)絡(luò)的輸出層決策由簡單的閾值辨別器組成，輸出層神經(jīng)元是一種具有競爭能力的神經(jīng)元，每個(gè)神經(jīng)元分別對應(yīng)于一種故障模式，神經(jīng)元的個(gè)數(shù)相當(dāng)于訓(xùn)練樣本數(shù)據(jù)的類型個(gè)數(shù)。

在組建神經(jīng)網(wǎng)絡(luò)模型中，選用的特征向量都必須能夠正確反映樣本信號的特征信息。本實(shí)驗(yàn)共采集了160個(gè)樣本數(shù)據(jù)，每種類型40個(gè)，其中20個(gè)作為訓(xùn)練樣本，20個(gè)作為測試樣本。利用相關(guān)性小波奇異熵計(jì)算，將熵值作為特征向量輸入到概率神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類，分類結(jié)果見表3。

表3 概率神經(jīng)網(wǎng)絡(luò)分類結(jié)果

4 結(jié)束語

隨著現(xiàn)代化工業(yè)自動化程度的日益提高，故障診斷被廣泛地應(yīng)用在機(jī)械設(shè)備中，而特征提取是故障診斷的重要部分。筆者提出了將小波變換、相關(guān)性、奇異值分解和信息熵理論結(jié)合在一起，用于對滾動軸承故障信號進(jìn)行特征提取。通過實(shí)驗(yàn)測試表明，該方法具有良好的容噪能力和穩(wěn)定性，能夠準(zhǔn)確地提取故障信號的特征。同時(shí)，利用概率神經(jīng)網(wǎng)絡(luò)對滾動軸承故障信號進(jìn)行分類，該方法簡單、識別率高。但是由于實(shí)驗(yàn)室采集到的軸承運(yùn)動狀態(tài)比較簡單，而且故障較為明顯。因此，對于復(fù)雜的運(yùn)行環(huán)境下對滾動軸承故障信號的特征提取還有待進(jìn)一步研究。

[1] Southard L,Hoeg T M,Palmer D W,et al.Exploring Mars Using a Group of Tumbleweed Rovers[C].2007 IEEE International Conference on Robotics and Automation.Roma：IEEE,2007：775～780.

[2] 孫延奎.小波分析及其應(yīng)用[M].北京:機(jī)械工業(yè)出版社,2005.

[3] 趙學(xué)智,葉邦彥,陳統(tǒng)堅(jiān).奇異值差分譜理論及其在車床主軸箱故障診斷中的應(yīng)用[J].機(jī)械工程學(xué)報(bào),2010,46(1):100～108.

[4] 楊宇,于德介,程軍圣.基于EMD的奇異值分解技術(shù)在滾動軸承故障診斷中的應(yīng)用[J].振動與沖擊,2005,24(2):12～15，145.

[5] 于德介,陳淼峰,程軍圣,等.基于EMD的奇異值熵在轉(zhuǎn)子系統(tǒng)故障診斷中的應(yīng)用[J].振動與沖擊,2006,25(2):24～26，34，181.

[6] 傅祖蕓.信息論——基礎(chǔ)理論與應(yīng)用[M].北京：電子工業(yè)出版社，2001.