基于层次化混合分类器的含未知故障风机轴承故障诊断方法

2021-10-24史建成

吉林化工学院学报 2021年9期

王升，林琳，陈诚，张杰，史建成

(吉林化工学院信息与控制工程学院，吉林吉林 132022)

风机轴承属于风机传动系统的核心部件，在运行过程中长期受持续的冲击力并受载荷效应影响，容易在不同部位出现各种程度的故障损坏，任其发展到一定程度就会导致风机停机，进而造成严重经济损失[1-2].因此，开展风机轴承的故障诊断研究在提高风机运行的可靠性、减少停机时间和降低发电企业经济损失方面具有十分重要的现实意义[3].

风机工作环境复杂多变，因此采集到的信号中包含了非平稳和非线性信号及大量噪声，传统的时-频域分析方法对此类信号的分析识别效果仍有待于进一步提高.近年来国内外学者对风机各类故障诊断进行了大量的研究，文献[4]采用小波变换和阈值去噪法对风机轴承振动信号进行处理，计算求得振动信号的能量谱图，轴承的KPI数值用能量谱图的统计参数表示，最后对轴承故障进行诊断.文献[5]采用小波变换方法将异步电机的电流信号去除相似特征干扰，并通过频谱分析实现轴承故障诊断，但离散小波变换无自适应性，小波基和分解尺度需要人工选择，且信号处理结果受参数影响较大.文献[6]采用经验模态分解和主成分分析法对滚动轴承故障进行分类，较准确识别多种故障状态.文献[7]提出了一种基于级联自适应分段线性随机共振系统降噪的经验模态分解方法，该方法可以克服小波分解的非自适应缺陷，但其分解得到的信号IMF分量受到模态叠加现象的干扰，且存在理论不完整、计算效率低和端点效应等问题.本文使用的EWT方法可以克服EMD分解的IMF分量产生模态混叠的现象，结合了WT方法和EMD方法的优点，具备自适应分解能力，对风机轴承振动信号进行处理，为进一步的故障诊断创造基础.

目前针对轴承故障分类的算法较多，有人工神经网络[8]、极限学习机[9]、支持向量机和随机森林算法[10]等.未知故障状态的识别一直是故障诊断的难点，采用单一模型识别效果并不理想，为此，提出一种基于单类支持向量机(One Class Support Vector Machines，OCSVM)与极限学习机(Extreme Learning Machine，ELM)组合的层次化混合分类器的风机轴承故障诊断方法.首先，对风机轴承振动信号采用EWT方法进行分解；其次，对分解得到的各IMF分量提取时-频域特征，构建初始特征向量集合；而后，采用Gini指数分析每个特征的重要度，按重要度进行排序，构建最优特征子集；最后，采用OCSVM与ELM方法构建混合分类器，可以有效对风机轴承信号的正常状态、已知故障状态及未知故障状态进行识别.

1 EWT的基本原理

经验小波变换(Empirical Wavelet Transform，EWT)通过频谱的自适应划分，可以将原始信号f(t)分解成M+1个固有模态函数(Intrinsic Mode Function，IMF)f(t)之和，IMF是一组调频调幅(AM-FM)信号[11]，

(1)

EWT对信号的傅立叶谱进行分割，其中，经验小波作为每个分割区间的带通滤波器，经验尺度函数和经验小波函数表示如下：

(2)

(3)

β(x)为满足式(4)的任意函数，

(4)

然后，计算尺度函数φ0与信号f的内积，获得近似系数如式(5)所示，

(5)

计算小波函数与信号的内积获得细节系数如式(6)所示，

(6)

其中，∧表示傅立叶变换；∨表示傅立叶逆变换；—表示求当前函数的复共轭.

最后，求得经验模态分量fk如式(7)、(8)所示，

(7)

(8)

其中*表示求卷积.

2 风机轴承信号特征提取与故障诊断

2.1 风机轴承振动信号处理

以风机轴承外圈故障信号为例，采用EWT方法对其进行自适应分割.其原始振动信号如图1所示，对其进行EWT后得到的IMF分量如图2所示，

采样点图1 轴承外圈故障原始振动信号

采样点图2 轴承外圈故障信号EWT分解得到的IMF

由图2观察可知，对比单纯的时域信号，经EWT分割后的信号幅-频域特征更加丰富.

2.2 风机轴承振动信号特征提取

对风机轴承外圈故障振动信号进行EWT分解，得到IMF分量，从中提取15种时-频域特征，其中时域特征10种，频域特征5种.特征公式如表1所示.

表1 特征计算公式

特征集维数过高会导致分类器性能降低，诊断精度下降，诊断时间增加等问题[12].在此采用Gini指数作为评价指标对初始特征的重要度进行排序，再结合前向特征搜索策略构建最优特征子集.

若数据集S包含s个样本，现将其分成n类，sa则表示第a类所含样本的个数(i=1,2,…n)，数据集S的Gini指数表示如下：

(9)

其中，Pa=p(sa/S)=sa/s表示属于第a类的任意样本概率.

计算各特征的Gini重要度并排序,如图3所示.

特征重要度图3 特征重要度排序

由图3观察可知，其中特征F2、F8、F6、F4、F11、F3、F12、F1、F14、F9、F5和F10对应的重要度数值较大，更适用于风机轴承故障信号诊断.

2.3 风机轴承故障诊断

在实际工况下，风机轴承故障信号中若包含未知类型故障信号，由于该类型样本未对分类器进行训练，容易将该故障样本识别为已知故障类型或正常状态.OCSVM仅采用单一类型样本进行训练，即可实现对正常/故障状态的有效识别，同时也可对故障类型进行已知/未知类型的识别.本文采用OCSVM与ELM联合构建分类器，在以OCSVM能够识别正常/故障类型的基础上，再用其对已知/未知故障状态进行识别，最后采用ELM方法进一步识别已知故障类型.采用OCSVM与ELM组合的分类器诊断流程如图4所示.

图4 层次化分类器诊断流程图

3 实验仿真与结果分析

为验证方法可靠性，本实验采用公有滚动轴承数据集(美国凯斯西储大学提供)，以电机驱动端轴承为测试对象，数据集包括12 kHz采样频率下的轴承各状态数据.轴承型号为SKF6205，转速1 750 r/min.根据轴承转速，每旋转一周可采样12 000/(1 750/60)个点，即411个点.样本数据包括内圈故障、外圈故障、滚动体故障和正常4种状态.10 000个数据点作为一组样本，每种状态各取100组构成样本集，共400组样本.

现将滚动体故障设为未知故障，分别采用ELM与SVM分类器对含未知故障数据样本进行分类.其中，4种信号中正常信号样本100组，3种故障状态样本各50组，ELM和SVM分类器的分类结果如表2和表3所示.

表2 ELM识别含无训练样本类型故障结果

表3 SVM识别含无训练样本类型故障结果

从ELM与SVM分类器识别结果可以看出，针对含标签样本的故障诊断，ELM可较准确对故障进行分类，而SVM将30组外圈故障误识别为正常状态.在包含未知故障(无训练样本)的情况下，ELM与SVM都无法对未知故障进行准确识别，其中ELM将10组未知故障误识别为正常状态，40组未知故障识别为外圈故障；而SVM将所有未知故障样本识别为正常状态.虽然ELM方法在已知故障识别方面优于SVM方法，但是单纯采用ELM或SVM方法都难以准确识别包含未知故障类型样本信号.

再以OCSVM-ELM(O-E)方法和本文提出的OCSVM-OCSVM-ELM(O-O-E)方法分别进行实验，两种分类器识别结果如表4和表5所示.