王 升，林 琳，陳 誠，張 杰，史建成

(吉林化工學院 信息與控制工程學院，吉林 吉林 132022)

風機軸承屬于風機傳動系統(tǒng)的核心部件，在運行過程中長期受持續(xù)的沖擊力并受載荷效應影響，容易在不同部位出現(xiàn)各種程度的故障損壞，任其發(fā)展到一定程度就會導致風機停機，進而造成嚴重經濟損失[1-2].因此，開展風機軸承的故障診斷研究在提高風機運行的可靠性、減少停機時間和降低發(fā)電企業(yè)經濟損失方面具有十分重要的現(xiàn)實意義[3].

風機工作環(huán)境復雜多變，因此采集到的信號中包含了非平穩(wěn)和非線性信號及大量噪聲，傳統(tǒng)的時-頻域分析方法對此類信號的分析識別效果仍有待于進一步提高.近年來國內外學者對風機各類故障診斷進行了大量的研究，文獻[4]采用小波變換和閾值去噪法對風機軸承振動信號進行處理，計算求得振動信號的能量譜圖，軸承的KPI數(shù)值用能量譜圖的統(tǒng)計參數(shù)表示，最后對軸承故障進行診斷.文獻[5]采用小波變換方法將異步電機的電流信號去除相似特征干擾，并通過頻譜分析實現(xiàn)軸承故障診斷，但離散小波變換無自適應性，小波基和分解尺度需要人工選擇，且信號處理結果受參數(shù)影響較大.文獻[6]采用經驗模態(tài)分解和主成分分析法對滾動軸承故障進行分類，較準確識別多種故障狀態(tài).文獻[7]提出了一種基于級聯(lián)自適應分段線性隨機共振系統(tǒng)降噪的經驗模態(tài)分解方法，該方法可以克服小波分解的非自適應缺陷，但其分解得到的信號IMF分量受到模態(tài)疊加現(xiàn)象的干擾，且存在理論不完整、計算效率低和端點效應等問題.本文使用的EWT方法可以克服EMD分解的IMF分量產生模態(tài)混疊的現(xiàn)象，結合了WT方法和EMD方法的優(yōu)點，具備自適應分解能力，對風機軸承振動信號進行處理，為進一步的故障診斷創(chuàng)造基礎.

目前針對軸承故障分類的算法較多，有人工神經網絡[8]、極限學習機[9]、支持向量機和隨機森林算法[10]等.未知故障狀態(tài)的識別一直是故障診斷的難點，采用單一模型識別效果并不理想，為此，提出一種基于單類支持向量機(One Class Support Vector Machines，OCSVM)與極限學習機(Extreme Learning Machine，ELM)組合的層次化混合分類器的風機軸承故障診斷方法.首先，對風機軸承振動信號采用EWT方法進行分解；其次，對分解得到的各IMF分量提取時-頻域特征，構建初始特征向量集合；而后，采用Gini指數(shù)分析每個特征的重要度，按重要度進行排序，構建最優(yōu)特征子集；最后，采用OCSVM與ELM方法構建混合分類器，可以有效對風機軸承信號的正常狀態(tài)、已知故障狀態(tài)及未知故障狀態(tài)進行識別.

1 EWT的基本原理

經驗小波變換(Empirical Wavelet Transform，EWT)通過頻譜的自適應劃分，可以將原始信號f(t)分解成M+1個固有模態(tài)函數(shù)(Intrinsic Mode Function，IMF)f(t)之和，IMF是一組調頻調幅(AM-FM)信號[11]，

(1)

EWT對信號的傅立葉譜進行分割，其中，經驗小波作為每個分割區(qū)間的帶通濾波器，經驗尺度函數(shù)和經驗小波函數(shù)表示如下：

(2)

(3)

β(x)為滿足式(4)的任意函數(shù)，

(4)

然后，計算尺度函數(shù)φ0與信號f的內積，獲得近似系數(shù)如式(5)所示，

(5)

計算小波函數(shù)與信號的內積獲得細節(jié)系數(shù)如式(6)所示，

(6)

其中，∧表示傅立葉變換；∨表示傅立葉逆變換；—表示求當前函數(shù)的復共軛.

最后，求得經驗模態(tài)分量fk如式(7)、(8)所示，

(7)

(8)

其中*表示求卷積.

2 風機軸承信號特征提取與故障診斷

2.1 風機軸承振動信號處理

以風機軸承外圈故障信號為例，采用EWT方法對其進行自適應分割.其原始振動信號如圖1所示，對其進行EWT后得到的IMF分量如圖2所示，

采樣點圖1 軸承外圈故障原始振動信號

采樣點圖2 軸承外圈故障信號EWT分解得到的IMF

由圖2觀察可知，對比單純的時域信號，經EWT分割后的信號幅-頻域特征更加豐富.

2.2 風機軸承振動信號特征提取

對風機軸承外圈故障振動信號進行EWT分解，得到IMF分量，從中提取15種時-頻域特征，其中時域特征10種，頻域特征5種.特征公式如表1所示.

表1 特征計算公式

特征集維數(shù)過高會導致分類器性能降低，診斷精度下降，診斷時間增加等問題[12].在此采用Gini指數(shù)作為評價指標對初始特征的重要度進行排序，再結合前向特征搜索策略構建最優(yōu)特征子集.

若數(shù)據集S包含s個樣本，現(xiàn)將其分成n類，sa則表示第a類所含樣本的個數(shù)(i=1,2,…n)，數(shù)據集S的Gini指數(shù)表示如下：

(9)

其中，Pa=p(sa/S)=sa/s表示屬于第a類的任意樣本概率.

計算各特征的Gini重要度并排序,如圖3所示.

特征重要度圖3 特征重要度排序

由圖3觀察可知，其中特征F2、F8、F6、F4、F11、F3、F12、F1、F14、F9、F5和F10對應的重要度數(shù)值較大，更適用于風機軸承故障信號診斷.

2.3 風機軸承故障診斷

在實際工況下，風機軸承故障信號中若包含未知類型故障信號，由于該類型樣本未對分類器進行訓練，容易將該故障樣本識別為已知故障類型或正常狀態(tài).OCSVM僅采用單一類型樣本進行訓練，即可實現(xiàn)對正常/故障狀態(tài)的有效識別，同時也可對故障類型進行已知/未知類型的識別.本文采用OCSVM與ELM聯(lián)合構建分類器，在以OCSVM能夠識別正常/故障類型的基礎上，再用其對已知/未知故障狀態(tài)進行識別，最后采用ELM方法進一步識別已知故障類型.采用OCSVM與ELM組合的分類器診斷流程如圖4所示.

圖4 層次化分類器診斷流程圖

3 實驗仿真與結果分析

為驗證方法可靠性，本實驗采用公有滾動軸承數(shù)據集(美國凱斯西儲大學提供)，以電機驅動端軸承為測試對象，數(shù)據集包括12 kHz采樣頻率下的軸承各狀態(tài)數(shù)據.軸承型號為SKF6205，轉速1 750 r/min.根據軸承轉速，每旋轉一周可采樣12 000/(1 750/60)個點，即411個點.樣本數(shù)據包括內圈故障、外圈故障、滾動體故障和正常4種狀態(tài).10 000個數(shù)據點作為一組樣本，每種狀態(tài)各取100組構成樣本集，共400組樣本.

現(xiàn)將滾動體故障設為未知故障，分別采用ELM與SVM分類器對含未知故障數(shù)據樣本進行分類.其中，4種信號中正常信號樣本100組，3種故障狀態(tài)樣本各50組，ELM和SVM分類器的分類結果如表2和表3所示.

表2 ELM識別含無訓練樣本類型故障結果

表3 SVM識別含無訓練樣本類型故障結果

從ELM與SVM分類器識別結果可以看出，針對含標簽樣本的故障診斷，ELM可較準確對故障進行分類，而SVM將30組外圈故障誤識別為正常狀態(tài).在包含未知故障(無訓練樣本)的情況下，ELM與SVM都無法對未知故障進行準確識別，其中ELM將10組未知故障誤識別為正常狀態(tài)，40組未知故障識別為外圈故障；而SVM將所有未知故障樣本識別為正常狀態(tài).雖然ELM方法在已知故障識別方面優(yōu)于SVM方法，但是單純采用ELM或SVM方法都難以準確識別包含未知故障類型樣本信號.

再以OCSVM-ELM(O-E)方法和本文提出的OCSVM-OCSVM-ELM(O-O-E)方法分別進行實驗，兩種分類器識別結果如表4和表5所示.

表4 O-E含無訓練樣本類型故障識別結果

表5 O-O-E含無訓練樣本類型故障識別結果

表4～5可知，OCSVM-ELM模型雖然可以彌補單一分類器錯誤地將未知故障識別為正常狀態(tài)的缺點，但無法準確識別未知故障類型，OCSVM-OCSVM-ELM可以對OCSVM-ELM的識別結果進一步分類，準確地識別出未知故障類型.

以上實驗結果表明，在出現(xiàn)未知故障情況下，新方法能較準確地識別風機軸承狀態(tài)，相較于單純使用ELM、SVM分類器，新方法在識別無訓練樣本的未知故障方面具有優(yōu)勢.

4 結 論

本文提出了一種采用OCSVM-OCSVM-ELM構建層次化混合分類器的風機軸承故障診斷方法，可較準確地識別包含未知故障類型的風機軸承故障.該方法可較好識別風機軸承出現(xiàn)的新故障，有利于及早發(fā)現(xiàn)風機軸承存在的安全隱患，提高設備運行可靠性.