基于多特征量提取的滚动轴承故障诊断方法

黄文静 张茜 李俊婷

摘 要：本文提出了基于多特征量提取的滚动轴承故障诊断方法，多特征量提取可以分别从不同特性来描述系统的内部信息，故障识别采用FCM算法，通过实验证明了该方法的有效性。

关键词：故障诊断；局部均值分解；多特征量

1 时域特征指标

均值是表征数据集中趋势的指标。标准差是描述数据离散程度最重要的测度值。偏度是度量数据分布偏斜方向和程度的量。峭度是反映数据统计后分布规律的统计量，冲击信号的改变对峭度的影响大，它对早期故障诊断的表面损伤类故障适合。本文提取信号的均值、标准差、峭度、峰度组成时域特征指标。

2 样本熵

样本熵是由近似熵改进而来，不需要以对数作为计算模型。样本熵和时间序列复杂程度是呈现正相应的关系，序列自我相似度高，样本熵值越小；序列复杂程度越高，样本熵值越大。运算时数据点数N不易过大，一般在100～5000内，相似容限r一般取0.1～0.25倍的序列标准差，嵌入维数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）是一种新的时频分析方法，具有良好的自适应性，可以很好地突出信号的局部特征。该方法将原始信号分离出包络信号和纯调频信号，再将两者做乘法得到一个乘积函数（Product function， PF），通过不断循环，得出所有的PF分量和一个残余分量，即可得到完整的原始信号时频分布。本文利用LMD分解后各个PF分量的能量组成特征向量。

4 实验验证

以美国凯斯西储大学电气工程学院实验室的SKF6205型深沟轴承数据为研究对象。对轴承正常、内圈故障、外圈故障和滾动体故障进行分析，轴承转速为1797r/min，采样频率为12kHz，每个数据样本长度取1024。图1为四种信号的局部图。

首先，提取信号的均值、标准差、峭度因子、峰度因子组成时域特征指标。

其次，提取四种信号的样本熵。不同信号的样本熵值不同，说明不同信号的复杂程度不同。

第三，提取LMD分解后各个PF分量的能量。先对信号进行小波消噪，再进行LMD分解。以轴承内圈故障信号为例，小波消噪后LMD分解结果如图2所示，再求取PF分量的能量组成特征向量。

提取四种信号特征参数如下表所示。时域特征指标、样本熵、能量特征指标分别从不同特性描述系统信息。

从四种状态信号分别取25组构成样本空间。对所有样本特征提取后进行FCM聚类，聚类中心数目c=4，停止迭代阈值ε=10-4，聚类结果如图3所示。从图中可以看出，选取的100组样本被准确地分为四类，达到了良好的聚类效果。

实验分析证明，基于多特征量提取的方法能够准确地诊断出滚动轴承的多种故障状态，是一种有效的方法。

参考文献：

[1]杨晨，阎树田，贺成柱，等.基于峭度与小波包络分析的滚动轴承故障诊断[J].机械制造，2014，52（2）： 62-64.

[2]杨松山，周灏，赵海洋，等.基于LMD多尺度熵与SVM的往复压缩机轴承故障诊断方法[J].机械传动，2015（2）：119-123.