黃文靜 張茜 李俊婷

摘 要：本文提出了基于多特征量提取的滾動軸承故障診斷方法，多特征量提取可以分別從不同特性來描述系統(tǒng)的內(nèi)部信息，故障識別采用FCM算法，通過實驗證明了該方法的有效性。

關(guān)鍵詞：故障診斷；局部均值分解；多特征量

1 時域特征指標(biāo)

均值是表征數(shù)據(jù)集中趨勢的指標(biāo)。標(biāo)準(zhǔn)差是描述數(shù)據(jù)離散程度最重要的測度值。偏度是度量數(shù)據(jù)分布偏斜方向和程度的量。峭度是反映數(shù)據(jù)統(tǒng)計后分布規(guī)律的統(tǒng)計量，沖擊信號的改變對峭度的影響大，它對早期故障診斷的表面損傷類故障適合。本文提取信號的均值、標(biāo)準(zhǔn)差、峭度、峰度組成時域特征指標(biāo)。

2 樣本熵

樣本熵是由近似熵改進(jìn)而來，不需要以對數(shù)作為計算模型。樣本熵和時間序列復(fù)雜程度是呈現(xiàn)正相應(yīng)的關(guān)系，序列自我相似度高，樣本熵值越??；序列復(fù)雜程度越高，樣本熵值越大。運算時數(shù)據(jù)點數(shù)N不易過大，一般在100～5000內(nèi)，相似容限r(nóng)一般取0.1～0.25倍的序列標(biāo)準(zhǔn)差，嵌入維數(shù)m取1或2。

3 LMD分解及提取PF分量能量

局部均值分解算法（Local Mean Decomposition，LMD）是一種新的時頻分析方法，具有良好的自適應(yīng)性，可以很好地突出信號的局部特征。該方法將原始信號分離出包絡(luò)信號和純調(diào)頻信號，再將兩者做乘法得到一個乘積函數(shù)（Product function， PF），通過不斷循環(huán)，得出所有的PF分量和一個殘余分量，即可得到完整的原始信號時頻分布。本文利用LMD分解后各個PF分量的能量組成特征向量。

4 實驗驗證

以美國凱斯西儲大學(xué)電氣工程學(xué)院實驗室的SKF6205型深溝軸承數(shù)據(jù)為研究對象。對軸承正常、內(nèi)圈故障、外圈故障和滾動體故障進(jìn)行分析，軸承轉(zhuǎn)速為1797r/min，采樣頻率為12kHz，每個數(shù)據(jù)樣本長度取1024。圖1為四種信號的局部圖。

首先，提取信號的均值、標(biāo)準(zhǔn)差、峭度因子、峰度因子組成時域特征指標(biāo)。

其次，提取四種信號的樣本熵。不同信號的樣本熵值不同，說明不同信號的復(fù)雜程度不同。

第三，提取LMD分解后各個PF分量的能量。先對信號進(jìn)行小波消噪，再進(jìn)行LMD分解。以軸承內(nèi)圈故障信號為例，小波消噪后LMD分解結(jié)果如圖2所示，再求取PF分量的能量組成特征向量。

提取四種信號特征參數(shù)如下表所示。時域特征指標(biāo)、樣本熵、能量特征指標(biāo)分別從不同特性描述系統(tǒng)信息。

從四種狀態(tài)信號分別取25組構(gòu)成樣本空間。對所有樣本特征提取后進(jìn)行FCM聚類，聚類中心數(shù)目c=4，停止迭代閾值ε=10-4，聚類結(jié)果如圖3所示。從圖中可以看出，選取的100組樣本被準(zhǔn)確地分為四類，達(dá)到了良好的聚類效果。

實驗分析證明，基于多特征量提取的方法能夠準(zhǔn)確地診斷出滾動軸承的多種故障狀態(tài)，是一種有效的方法。

參考文獻(xiàn)：

[1]楊晨，閻樹田，賀成柱，等.基于峭度與小波包絡(luò)分析的滾動軸承故障診斷[J].機械制造，2014，52（2）： 62-64.

[2]楊松山，周灝，趙海洋，等.基于LMD多尺度熵與SVM的往復(fù)壓縮機軸承故障診斷方法[J].機械傳動，2015（2）：119-123.