滚动轴承故障程度识别

钱军+谭欣星+唐明珠+黎涛

摘 要：针对实际运行滚动轴承的故障程度问题，提出一种诊断滚动轴承故障程度的方法。深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了，广泛分析振动特征提取方法和支持向量机的算法，采用了小波包能量法提取状态特征，使用新型二叉树支持向量机的多类分类算法。实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别，模型的学习、泛化能力强。

关键词：滚动轴承 故障程度 小波包能量法 支持向量机

中图分类号：TH133.33 文献标识码：A 文章编号：1674-098X（2014）03（b）-0077-03

在滚动轴承维护中，轴承的更换维护受到故障程度的影响，而且，工程应用中的滚动轴承故障是一个动态发展的过程，维护人员根据故障程度进行滚动轴承的维护[1]，因此，迫切需要一种准确滚动轴承故障程度诊断方法。

目前，在滚动轴承故障程度研究方面已经提出了几种识别方法。李力，王红梅等[2]提出采用HMM方法识别滚动轴承故障程度，实现滚动轴承的故障程度识别，但仅分析的恒速下的滚动轴故障程度；蒋宇，李志雄等[3]提出基于经验模态分解的滚动轴承故障程度诊断，但经验模态分解运算量大，不适于实时监测；关贞珍、郑海起等[4]提出的基于振动图像纹理特征识别的轴承故障程度诊断方法，振动图像纹理特征分析法需要运行人员具有一定程度的先验知识。

针对上述发放的不足，提出一种基于支持向量机的滚动轴承故障程度诊断方法。对滚动轴承外圈、滚动体、内圈不同程度故障的振动信号进行研究，分析了故障信号的时域特征；使用小波包能量法提取其状态特征，分析了其分布规律；结合二叉树支持向量机实现不同程度故障的识别，实验结果表明，该方法可有效识别滚动轴承的故障程度。

1 滚动轴承故障程度诊断原理

滚动轴承由外圈、滚动体、内圈和保持架组成，将其看成一个独立的系统，其振动信息可以充分反映其运行状态[5]，因此，可以根据其振动信号的频谱分析其运行状态，即：正常、轻度故障、中度故障、中度故障。采用信号各频带能量的分布情况来进行滚动轴承故障程度的识别。

支持向量机[6-9]是一种基于多属性的状态决策方法，通过寻找决策面实现模式分类：例如，决策面能实现两个样本集为，的分类：

根据对偶原理，可以转化为对偶问题，即：

s.t.

式中为Lagrange乘子，为核函数，C为正则化参数。

为了解决多类别分类问题，寻找效率更高的直接型多分类算法。采用参考文献[6]提出的超球体多类支持向量机理论，决定正常、轻度故障、中度故障、中度故障分类的先后顺序。

2 滚动轴承故障识别

2.1 滚动轴承时域信号分析

当滚动轴承存在某种故障时，轴承系统、系统激励发生不同程度的变化[10]：当滚动轴承运转时，故障冲击力都将周期性地产生，每次冲击作用都将激起系统的共振，形成一系列不断衰减的有规律的冲击，引起信号短暂的剧烈变化，由正常状态时小幅度随机信号转化为故障状态时较大幅度有规律波形，如图2。

从图2可知，正常轴承的时域波形与轴承发生故障的时域波形有明显的区别；但是，不同故障程度时域波形是不同的，尽管可以分辨出它们有不同的故障程度，无法识别轴承的故障的强弱。因此，用时域波形直接判断轴承的损伤程度存在困难；对图2所示的信号进行3层小波包变换和状态特征提取。按照[4]上述方法获得各个频段的能量比值，结果如图3。

从图3可以看出，不同程度损伤信号的频段能量值有很大的区别，损伤程度越大，频段能量值就越大。通过小波包分解，不同程度的损伤之间的细微差别被凸显出来。但是能量值是有量纲指标，随轴承工况而变化，难以确定某一量值来识别，因此对滚动轴承进行故障程度识别，需要对各个频段能量值的全部信息。

2.2 损伤程度诊断模型

根据参考文献[6]提出的超球体多类支持向量机理论，建立如图3所示的损伤程度诊断模型。在此模型的训练过程中，需要三个训练集。一号训练集用于训练一号支持向量机，将滚动轴承正常和其轴承损伤分开，正常状态输出为0，否则为1；二号训练集用于训练二号支持向量机，将滚动轴承轻度损伤和中、重度损伤分开，轻度损伤输出为0，否则为1；三号训练集用于训练三号支持向量机，将滚动轴承中度和重度分开，中度损伤输出为0，否则为1。

2.3 试验验证

该文所用到的滚动轴承试验数据来自美国Case Western Reserve University电气工程实验室。轴承故障是以电火花加工得到，故障程度以缺口圆的直径，直径依次为0.007、0.014、0.021英寸。取正常813组、0.007英寸404组、0.014英寸406组和0.021英寸407组，对每组信号进行3层小波包分解、提取特征向量，每组特征向量有8个特征值。

2.4 支持向量机的滚动轴承故障程度识别

用上述训练集训练支持向量机，得到最佳的权值w和阀值b，这里使用5折交叉验证。表中的PCA降维是一种降维变换，通过调节主成分百分比改变特征向量的维数。下面通过全局分类正确率、建模时间故障敏感性和特效性、四个方面进行分析，如图5。

BP1、BP2是对同样数据进行两次建模的平均全局分类正确率，但二者有较大的差别，这说明BP神经网络易陷入局部最优，训练结果太稳定。SVM1、SVM2全局分类正确率为100%。SVM3、BP神经网络的全局分类正确率随着主成份百分比的增大而增加，二者的全局分类正确率相近。通过与BP神经网络的比较，该方法具有较好的分类性能，而且分类性能稳定。

支持向量机和BP神经网络都能在较短的时间内完成建模。使用支持向量进行滚动轴承故障程度识别的建模时间约为BP神经网络的1/2。BP1、BP2是对同样数据进行两次建模的平均时间，但二者有较大的差别，这说明BP神经网络易陷入局部最优，训练结果不稳定。endprint

SVM2的正类的分类正确率为1，也就是故障敏感性为1；SVM1、SVM3的正类分类正确率随着主成分百分比的增加而不断变大，最终，SVM1的故障敏感性为0.8，SVM3的故障敏感性为0.86。SVM1、SVM2、SVM3的烦类分类正确率都比较高，也就是特效性，三者的特效性都接近为1。

3 结语

该文利用小波包变换方法将滚动轴承信号分解为8个特征值，以降维变换的结果作为表征轴承状态的特征向量，输入支持向量机模型成功地实现了滚动轴承的故障程度识别与诊断，主要有以下结论：

（1）使用支持向量机进行滚动轴承故障程度的识别，可以避免BP神经网络训练结果不稳定，易陷入局部最优的缺点，达到全局最优。

（2）使用小波包能量法得到的滚动轴承故障程度的特征向量，对故障程度敏感性强，可有效表征滚动轴承的故障程。

参考文献

[1] 高强，杜小山，范虹，等.滚动轴承故障的EMD诊断方法研究[J].振动工程学报，2007（1）：15-18.

[2] 李力，王红梅.滚动轴承故障程度诊断的HMM方法研究[J].轴承，2012（6）：42-45.

[3] 蒋宇，李志雄，唐茗，等.EMD下轴承故障程度诊断技术的研究[J].机床与液压，2009（8）：257-260+263.

[4] 关贞珍，郑海起，叶明慧.基于振动图像纹理特征识别的轴承故障程度诊断方法研究[J].振动与冲击，2013（5）：127-131.

[5] 王冬云，张文志，张建刚.小波包能量谱在滚动轴承故障诊断中的应用[J].轴承，2010（11）：32-36.

[6] 陈帅，朱建宁，潘俊，等.最小二乘支持向量机的参数优化及其应用[J].华东理工大学学报（自然科学版），2008（2）：278-282.

[7] 阎威武，邵惠鹤.支持向量机和最小二乘支持向量机的比较及应用研究[J].控制与决策，2003（3）：358-360.

[8] 宋召青，崔和，胡云安.支持向量机理论的研究与进展[J].海军航空工程学院学报，2008（2）：143-148+152.

[9] 徐图，何大可.超球体多类支持向量机理论[J].控制理论与应用，2009（11）：1293-1297.

[10] 高强，杜小山，范虹，等.滚动轴承故障的EMD诊断方法研究[J].振动工程学报，2007（1）：19-22.endprint

SVM2的正类的分类正确率为1，也就是故障敏感性为1；SVM1、SVM3的正类分类正确率随着主成分百分比的增加而不断变大，最终，SVM1的故障敏感性为0.8，SVM3的故障敏感性为0.86。SVM1、SVM2、SVM3的烦类分类正确率都比较高，也就是特效性，三者的特效性都接近为1。

3 结语

该文利用小波包变换方法将滚动轴承信号分解为8个特征值，以降维变换的结果作为表征轴承状态的特征向量，输入支持向量机模型成功地实现了滚动轴承的故障程度识别与诊断，主要有以下结论：

（1）使用支持向量机进行滚动轴承故障程度的识别，可以避免BP神经网络训练结果不稳定，易陷入局部最优的缺点，达到全局最优。

（2）使用小波包能量法得到的滚动轴承故障程度的特征向量，对故障程度敏感性强，可有效表征滚动轴承的故障程。

参考文献

[1] 高强，杜小山，范虹，等.滚动轴承故障的EMD诊断方法研究[J].振动工程学报，2007（1）：15-18.

[2] 李力，王红梅.滚动轴承故障程度诊断的HMM方法研究[J].轴承，2012（6）：42-45.

[3] 蒋宇，李志雄，唐茗，等.EMD下轴承故障程度诊断技术的研究[J].机床与液压，2009（8）：257-260+263.

[4] 关贞珍，郑海起，叶明慧.基于振动图像纹理特征识别的轴承故障程度诊断方法研究[J].振动与冲击，2013（5）：127-131.

[5] 王冬云，张文志，张建刚.小波包能量谱在滚动轴承故障诊断中的应用[J].轴承，2010（11）：32-36.

[6] 陈帅，朱建宁，潘俊，等.最小二乘支持向量机的参数优化及其应用[J].华东理工大学学报（自然科学版），2008（2）：278-282.

[7] 阎威武，邵惠鹤.支持向量机和最小二乘支持向量机的比较及应用研究[J].控制与决策，2003（3）：358-360.

[8] 宋召青，崔和，胡云安.支持向量机理论的研究与进展[J].海军航空工程学院学报，2008（2）：143-148+152.

[9] 徐图，何大可.超球体多类支持向量机理论[J].控制理论与应用，2009（11）：1293-1297.

[10] 高强，杜小山，范虹，等.滚动轴承故障的EMD诊断方法研究[J].振动工程学报，2007（1）：19-22.endprint

SVM2的正类的分类正确率为1，也就是故障敏感性为1；SVM1、SVM3的正类分类正确率随着主成分百分比的增加而不断变大，最终，SVM1的故障敏感性为0.8，SVM3的故障敏感性为0.86。SVM1、SVM2、SVM3的烦类分类正确率都比较高，也就是特效性，三者的特效性都接近为1。

3 结语

该文利用小波包变换方法将滚动轴承信号分解为8个特征值，以降维变换的结果作为表征轴承状态的特征向量，输入支持向量机模型成功地实现了滚动轴承的故障程度识别与诊断，主要有以下结论：

（1）使用支持向量机进行滚动轴承故障程度的识别，可以避免BP神经网络训练结果不稳定，易陷入局部最优的缺点，达到全局最优。

（2）使用小波包能量法得到的滚动轴承故障程度的特征向量，对故障程度敏感性强，可有效表征滚动轴承的故障程。

参考文献

[1] 高强，杜小山，范虹，等.滚动轴承故障的EMD诊断方法研究[J].振动工程学报，2007（1）：15-18.

[2] 李力，王红梅.滚动轴承故障程度诊断的HMM方法研究[J].轴承，2012（6）：42-45.

[3] 蒋宇，李志雄，唐茗，等.EMD下轴承故障程度诊断技术的研究[J].机床与液压，2009（8）：257-260+263.

[4] 关贞珍，郑海起，叶明慧.基于振动图像纹理特征识别的轴承故障程度诊断方法研究[J].振动与冲击，2013（5）：127-131.

[5] 王冬云，张文志，张建刚.小波包能量谱在滚动轴承故障诊断中的应用[J].轴承，2010（11）：32-36.

[6] 陈帅，朱建宁，潘俊，等.最小二乘支持向量机的参数优化及其应用[J].华东理工大学学报（自然科学版），2008（2）：278-282.

[7] 阎威武，邵惠鹤.支持向量机和最小二乘支持向量机的比较及应用研究[J].控制与决策，2003（3）：358-360.

[8] 宋召青，崔和，胡云安.支持向量机理论的研究与进展[J].海军航空工程学院学报，2008（2）：143-148+152.

[9] 徐图，何大可.超球体多类支持向量机理论[J].控制理论与应用，2009（11）：1293-1297.

[10] 高强，杜小山，范虹，等.滚动轴承故障的EMD诊断方法研究[J].振动工程学报，2007（1）：19-22.endprint