文档库

最新最全的文档下载
当前位置:文档库 > 基于峭度与IMF 能量融合特征和LS-SVM 的

基于峭度与IMF 能量融合特征和LS-SVM 的

中国测试

CHINA MEASUREMENT &TEST

Vol.42No.4April ,2016

第42卷第4期2016年4月基于峭度与IMF 能量融合特征和LS-SVM 的

齿轮故障诊断研究

王建国,杨云中,秦波,刘永亮

(内蒙古科技大学机械工程学院,

内蒙古包头014010)摘要:针对齿轮振动信号非线性非平稳特性,为避免传统时频方法在表征设备状态时的不足,提出一种基于融合峭度与IMF 能量特征和LS-SVM 的齿轮故障诊断方法。首先,对齿轮振动信号在EMD 分解;然后,提取包含主要故障信息的IMF 分量的峭度特征和能量特征,组成融合特征向量;最后,将齿轮正常、齿根裂纹、断齿3种状态下的融合特征向量输入到LS-SVM ,通过训练好的LS-SVM 对齿轮状态进行分类识别。仿真实验结果表明:该方法能准确识别齿轮的工作状态,且与BP 神经网络、SVM 相比,有着更高的故障识别效率,可用于齿轮信号的故障诊断。关键词:IMF 分量;峭度和能量特征;最小二乘支持向量机;故障诊断文献标志码:A

文章编号:1674-5124(2016)04-0093-05

Gear fault diagnosis research based on kurtosis and IMF energy feature

fusion and least squares support vector machine

WANG Jianguo ,YANG Yunzhong ,QIN Bo ,LIU Yongliang

(Mechanical Engineering School ,Inner Mongolia University of Science &Technology ,

Baotou 014010,China )Abstract:Gear vibration signals have nonlinear and non-stationary characteristics.To avoid the

disadvantages of existing time and frequency domain methods in the characterization of equipment state ,this paper has been proposed a gearbox fault diagnosis method based on kurtosis and IMF energy feature fusion and least squares support vector machine.First ,the gear vibration signals were decomposed by the EMD method.Second ,the IMF components which contain major fault information were extracted and their energy and kurtosis feature calculated as fusion vectors.Third ,the fusion feature vectors of three teeth conditions ,viz.,normal ,root crack and broken ,were input to the least squares support vector machine (LS-SVM )to classify and identify gearbox faults.The simulation results show that this method can accurately identify the gear working state and more efficient in fault identification compared with BP neural network and SVM.It can be used for diagnosing gear signal faults.

Keywords:IMF component ;kurtosis and energy feature ;LS-SVM ;fault diagnosis

收稿日期:2015-06-01;收到修改稿日期:2015-07-20

基金项目:国家自然科学基金项目(21366017);内蒙古科技厅高新技术领域科技计划重大项目(20130302)

作者简介:王建国(1958-),男,内蒙古呼和浩特市人,教授,硕士生导师,博士,研究方向为机电系统智能诊断与复杂工业过程建模的优化。

doi :10.11857/j.issn.1674-5124.2016.04.020

中国测试2016年4月

基于峭度与IMF 能量融合特征和LS-SVM 的

正常

齿根裂纹

断齿

图1齿轮不同状态下的能量熵值

0引言

齿轮是用来改变转速和传递动力的常用零件,

在现代机械设备中有着广泛应用。由于齿轮本身工作环境比较恶劣,故极易受到损害,出现故障。齿轮故障信号由机械系统正常信号、周期冲击性故障信号、干扰信号和噪声信号等叠加而成,是一种典型的非平稳信号[1]。因此,更好的提取出表征故障信息的特征成为齿轮故障诊断的关键。

文献[1]引入EMD 能量熵,提取能量特征输入到支持向量机进行齿轮故障诊断;文献[2]将峭度与小波包能量相结合,并输入到概率神经网络模型,对齿轮早期故障进行降噪和诊断;文献[3]提出了基于BP 神经网络的齿轮故障诊断方法,其提取信号的偏斜度、峭度和陡度作为特征向量。然而上述方法在表征设备状态时都有一定的不足。由于EMD 是一种处理非平稳信号的有效方法[4],通过对齿轮信号的EMD 分解后提取IMF 分量的峭度特征和能量特征,可有效表征齿轮故障信息。相比于BP 神经网络和SVM,最小二乘支持向量机(LS-SVM)在小样本下具有结构简单、泛化能力强、学习速度快和分类准确度高的特点[5];因此,本文提出了基于峭度与IMF 能量融合特征和LS-SVM 的齿轮故障诊断方法,将提取的融合特征作为特征向量输入LS-SVM,对齿轮工作状态和故障类型进行分类。

1特征向量构建

1.1

IMF 能量特征

经验模态分解(EMD)是Huang 于1998提出的

一种用于非线性、非平稳信号分析的新方法,将信号自适应地分解为若干内蕴模式函数之和。EMD 方法基于信号的局部时间特征进行自适应的分解,克服了用无意义的谐波分量来表示非线性、非稳态信号的缺点[6],非常适合于非线性、非稳态信号的分析。EMD 分解后获得的IMF 分量必须满足以下两个条件:1)在整个数据序列中,极大值与极小值点个数之和与过零点个数相等,且相差不超过1个;2)在任意时间点上,由局部极大值与局部极小值点构成的包络均值为零或近似为零。

经验模态分解的具体步骤如下:

1)采用3次样条插值拟合原始信号为x (t )的上

下包络线。得到上下包络线的均值为m (t ),包络线均值减去原始信号得到数据序列h (t ),即:

h (t )=x (t )-m (t )

(1)

2)数据序列h (t )如果满足上述IMF 分量条件,

则得到信号的第1个IMF 分量,即h (t );如不满足

上述条件,则重新对h (t )进行以上筛选过程,直到得到符合要求的IMF 分量。

3)得到信号的第1个IMF 分量和该分量分离后的余项为

c (t )=h (t )

r (t )=x (t )-c (t )

{

(2)

对余项r (t )重复上述筛选过程,由此得到一系列的IMF 分量c i (t )(i =1,2,…,n ),最终的余项r n (t )。原始信号可以重构为

x (t )=n

i =1

∑c i +r n

(3)

式中:n ———IMF 分量个数;

r n ———残差函数,是一个单调函数。

EMD 能够将信号分解为若干个具有不同频段范围的IMF 分量,而当故障发生时,不同故障类型会导致不同频率范围的信号发生变化,从而引起相应频段内的能量发生变化。对齿轮振动信号x (t )进行EMD 分解,可以计算得到各IMF 分量的能量E 1,E 2,…,E n 。根据EMD 分解的正交性,忽略残余分量,可知原始信号的总能量应该等于计算的n 个IMF 分量的能量之和。由于各个IMF 分量包含不同的频率成分,且具有不同的能量,因此构成了信号的能量特征向量E =[E 1,E 2,…,E n ]。由此可以得到能量熵的定义:H EN =-n

i =1

∑p i lg p i

(4)

其中p i =E i /E ,表示第i 个本征模式分量能量在总能量中的比重。

计算齿轮正常、齿根裂纹和断齿3种状态下的EMD 能量熵值,结果如图1所示。由图可知,齿轮的工作状态和故障类型不同,得到的能量熵值也就不同;因此,可以通过能量特征作为特征向量来判断齿轮的工作状态和故障类型。

94

第42卷第4期

1.2峭度特征

信号的峭度指标是无量纲参数,对于振动中的冲击信号非常敏感,适用于表面损伤类故障[7]。齿轮发生故障时,会产生明显的冲击,导致不同齿轮不同状态的峭度值不同。计算齿轮正常、齿根裂纹和断齿3种状态下的峭度值,结果如图2所示。由图可知,齿轮的工作状态和故障类型不同,其得到的峭度值也就不同;因此,可以通过峭度特征作为特征向量来判断齿轮的工作状态和故障类型。

1.3构建特征向量

首先将采集到的振动信号通过EMD分解,选出包含主要故障信息的前m个IMF分量作为研究对象。然后计算选出的IMF分量能量E i=+∞-∞∫c i(t)d t (i=1,2,…,m),得到能量特征向量T=[E1/E,E2/E,…,E m/E],其中E=(m i=1∑E i2)1/2;接着计算选出的IMF 分量的峭度,得到峭度特征向量K=[K1,K2,…,K m]。最后组成融合特征向量F=[E1/E,E2/E,…,E m/E,K1, K2,…,K m]。

2基于LS-SVM的齿轮故障诊断模型的建立2.1最小二乘支持向量机

最小二乘支持向量机(least squares support vector machine,LS-SVM),采用最小二乘线性系统作为损失函数,代替传统SVM采用的二次规划方法,简化了计算过程,运算速度也明显提高[8-9]。LS-SVM分类的具体实现过程如下:

假设训练样本为(x i,y i),x i∈R n,y i∈R,其中x i是输入向量,y i是输出向量。将输入向量φ(x)通过非线性映射从原始样本空间映射到一个高维特征空间,在高维特征空间中,求取最优分类超平面,使分类间隔最大[10]。为描述这个分类超平面,构造线性决策函数为

f(x)=ωTφ(x)+b(5)式中:ω——

—权向量;

b——

—常数。

根据结构风险最小化的原则,将分类问题转化为如下优化问题

minω,b,ε?(ω,ε)=12ωTω+γN i=1∑εi2(6) s.t.y i[ωTφ(x i)+b=1-εi],εi≥0,i=1,2,…,N

(7)式中:γ——

—惩罚因子;

ε——

—松弛因子。

定义拉格朗日函数:

L(ω,b,ε,α)=?(ω,ε)-

N

i=1

∑αi·

{y i[ωTφ(x i)+b]-1+εi}(8)其中,拉格朗日乘子αi∈R,根据KKT条件,对上式进行优化,即对ω,b,ε,α的偏导数为0,得:

?L?ω=0→ω-N

i=1

∑αi y iφ(x i)=0

?L?b=0→N

i=1

∑αi y i=0

?L?ε=0→2γεi-αi=0

?L?α=0→y i[ωTφ(x i)+b]-1+εi=0

?

?

??

??

??

??

??

??

??

??

??

??

??

??

??

??

?

(9)

通过求解式(9),用最小二乘法求出α和b,可得到分类决策函数:

y(x)=sign N

i=1

∑αi K(x,x i)+b

()(10)

其中K(x,x i)为核函数,满足Mercer条件,对应于特征空间的点积。本文选用性能较好的径向基核函数,其表达式为

K(x,x i)=exp(-‖x-x i‖2/(2δ2))(11) 2.2基于LS-SVM的诊断模型构建

将齿轮振动信号进行EMD分解得到IMF分量,提取其融合特征作为特征向量输入到最小二乘支持向量机进行模式识别,从而判断齿轮的状态[11]。具体流程如图3所示。

其具体步骤如下:

1)采集齿轮正常、齿根裂纹、断齿故障的振动信号若干组。

2)通过EMD分解,提取其融合特征向量。

3)选用“一对一”算法的多分类支持向量机,建

基于峭度与IMF 能量融合特征和LS-SVM 的

正常齿根裂纹断齿

图2齿轮不同状态下的峭度值

王建国等:基于峭度与IMF能量融合特征和LS-SVM的齿轮故障诊断研究95

中国测试2016年4月

基于峭度与IMF 能量融合特征和LS-SVM 的

基于峭度与IMF 能量融合特征和LS-SVM 的

基于峭度与IMF 能量融合特征和LS-SVM 的

立3个最小支持向量机(LS-SVM1,LS-SVM2,LS-SVM3)组成多故障分类器,将其特征向量作为输入,对LS-SVM 进行训练和分类测试[12]。

3仿真实验

本文的试验装置结构如图4所示,其主要由电动机、联轴器、行星齿轮箱、平行轴齿轮箱、可编程磁力控制器等组成。采用ZonicBook/618E 振动测量系统采集数据,3个加速度传感器分别安装在平行轴齿轮箱中间轴左端轴承盖的垂直径向、水平径向和轴向上。平行轴齿轮箱的结构如图5所示,齿轮箱中有两对齿轮副,4个齿轮均为直齿轮,齿数分别为Z 1=100,Z 2=29,Z 3=90,Z 4=36。

试验中,电机转速设置为2100r/min,采样频率为5120Hz,采样时间为5s。齿轮正常、齿根裂纹和断齿故障3种状态下,每种状态各测试20组。各组

中任意的10组数据作为训练样本,剩余10组数据作为测试样本。数据集的详细描述见表

1。

图4

试验装置结构图

图5齿轮箱结构简图

齿轮状态训练样本数

测试样本数

类别标签

正常10101齿根裂纹10102断齿

10

10

3

表1

数据集表2

齿轮不同状态下的部分特征向量

齿轮状态

信号序号

特征向量

E 1/E

E 2/E

E 3/E

E 4/E

E 5/E

E 6/E

K 1

K 2

K 3

K 4

K 5

K 6

正常

1

0.84550.08210.03710.02800.00590.00102.94482.38502.94272.44462.64651.969120.84490.08660.04570.05020.02070.00402.67832.83733.18912.28102.80952.803330.84440.09080.05020.02070.00400.00072.43552.46572.50992.51162.45272.193440.84220.11310.04770.02180.00470.00182.52412.72843.02151.99102.00701.939450.84620.06900.05260.01060.00440.00082.79072.51322.47432.19462.18172.5262齿根裂纹

1

0.89330.10690.03270.02710.00470.00102.75592.97733.28852.38192.59452.950620.89160.11810.02960.04340.00820.00152.74333.14153.11452.29642.31552.653430.89340.10030.03520.04140.01370.00132.80913.02483.13502.87224.04892.360040.89200.11060.05060.03230.00620.00142.67733.07663.01422.26222.68062.91495

0.88740.14540.04930.03870.00450.00172.68972.54364.13122.38532.58982.314210.88890.45450.05500.01190.00630.00163.27872.91303.25272.84342.69833.4763断齿

20.95220.30410.02790.00890.00520.0039 2.9388 2.7124 4.2058 2.8805 2.5636 2.235830.93320.35740.03510.01130.00660.00333.15662.70944.02743.43592.85042.503940.93080.36360.03690.01080.00550.00302.94492.70073.29963.58912.76983.87565

0.9046

0.4244

0.0380

0.0116

0.0057

0.0028

3.0137

2.6052

2.9786

2.8372

3.3067

2.5189

图3基于LS-SVM 的齿轮故障诊断模型流程图

96

第42卷第4期首先对训练和测试样本数据进行EMD 分解得到其IMF 分量,选用了前6个包含主要故障信息的IMF 分量,求取3种状态信号的IMF 分量的峭度特征和能量特征,组成一个10×12的特征向量矩阵作为LS-SVM 的输入。表2为训练样本中齿轮不同状态下的部分特征向量。将训练样本特征向量输入到由3个LS-SVM 组成的多分类器中进行训练,然后将10组测试样本输入到分类器中进行识别,为区分有无故障,定义输出“+1”表示正常状态,“-1”表示故障状态。区分完有无故障后,为识别具体的故障类型,定义输出“+1”表示齿根裂纹故障,“-1”表示断齿故障,测试结果见表3。从表中可看出,LS-SVM 能够对测试样本进行正确率很高的故障诊断。说明本文提出的齿轮故障诊断方法有效。

试验选取了10组原始信号进行处理,属于小样本情况。在小样本情况下,LS-SVM 具有分类的训练时间短,收敛速度快以及测试准确度高的特点,以其作为分类器,性能比BP 神经网络、SVM 分类器要好。表4通过实验对3种分类器进行了性能比较,从表中可看出,LS-SVM 在小样本情况下具有良好的分类准确度,能准确进行齿轮的故障诊断。

4结束语

本文通过对齿轮振动信号进行EMD 分解,提取包含主要故障信息的IMF 分量峭度特征和能量特征作为融合特征向量输入LS-SVM,通过训练好的LS-

SVM 对齿轮状态进行分类识别。实验结果表明,该

方法能准确识别齿轮的工作状态,且与BP 神经网络、SVM 相比,有着更高的故障识别效率,可用于齿轮信号的故障诊断。

参考文献

[1]

张超,陈建军,郭迅.基于EMD 能量熵和支持向量机的

齿轮故障诊断方法[J].振动与冲击,2010,29(10):216-220.

[2]陈水宣,邹俊,易际明,等.基于峭度和小波包能量特征的

齿轮箱早期故障诊断及抗噪研究[J].机械传动,2012,36(11):9-14.[3]吴伟,郑娟.基于BP 神经网络的齿轮故障诊断[J].机械研究与应用,2015,28(1):88-93.

[4]于德介,程军圣,杨宇.Hilbert-Huang 变换在齿轮故障诊断中的应用[J].机械工程学报,2005,41(6):102-106.[5]肖志勇,杨小玲,刘爱伦.基于改进EMD 和LSSVM 的机械故障诊断[J].自动化仪表,2008,29(6):24-26.

[6]唐贵基,庞尔军,王晓龙.基于EMD 的齿轮箱齿轮故障诊断的研究[J].机床与液压,2013,41(13):188-190.[7]韩清凯,于晓光.基于振动分析的现代机械故障诊断原理及应用[M].北京:科学出版社,2010:49-51.

[8]黄俊,潘宏侠,都衡.基于EMD 近似熵和LSSVM 的齿轮箱故障诊断研究[J].组合机床与自动化加工技术,2014(3):111-113.

[9]

韩永杰,郝伟,董辛旻.基于EMD 和冲击脉冲的齿轮故

障诊断[J].机械设计与制造,2009(10):222-224.

[10]ABBASIONA S ,RAFSANJANIA A ,FARSHIDIANFARB A,

et al.Rolling element bearings multi-fault classification

based on the wavelet denoising and support vector machine[J].Mechanical Systems and Signal Processing,

2007(21):2933-2945.

[11]LI Y B,XU M Q,WEI Y,et al.An improvement

EMD method based on the optimized rational Hermite interpolation approach and its application to gear fault

diagnosis[J].Measurement,2015(63):330-345.

[12]YANG D L,LIU Y L,LI S B,et al.Gear fault

diagnosis based on support vector machine optimized by

artificial bee colony algorithm [J].Mechanism and Machine

Theory,2015,90(8):219-229.

(编辑:刘杨)

样本序号样本状态LS-SVM1LS-SVM2LS-SVM3分类结果1~10

正常

+1-

-111~20齿根裂纹-1+1-221~30断齿-1

-1+1

3

表3LS-SVM 测试结果

识别算法分类准确度/%

正常齿根裂纹断齿BP 神经网络7080100SVM

90

90

100LS-SVM 100100

100

表4LS-SVM 与SVM 、BP 神经网络性能比较

王建国等:基于峭度与IMF 能量融合特征和LS-SVM 的齿轮故障诊断研究

97

基于IMF频带能量特征和支持向量机发动机故障诊断
基于IMF 频带能量特征和支持向量机的发动机故障诊断 作者:丁雷[1]; 作者机...
基于ELMD与LS-SVM的滚动轴承故障诊断方法
函数(productfunction,PF),然后选取包含主要故障信息的PF分量,提取其峭度系数与能量 特征参数以构造故障特征向量,并作为L孓sVM的输入来识别滚动轴承的工作状态和故障......
思维作业脑电的IMF能量特征提取与分类研究
128 2009.45(28) Computer Engineeringand Applications计算机工程与应用 思维作业脑电的IMF能量特征提取与分类研究 李营h2,艾玲梅1,马LIYin91'2,AI 苗1 Ling—......
基于峭度准则VMD样本熵PNN齿轮故障诊断
首先,利用VMD将齿轮振动信号进行分解;然后,提取峭度最大及次大分量的样本熵并组成特征向量;最后,将特征向量分别输入BPNN和PNN实现故障模式识别.通过齿轮故障试验对该......
基于边缘特征和能量的图像融合方法
基于边缘特征和能量的图像融合方法 罗南超 1,向昌成 1,2 【摘要】根据低频域平均法,提出基于低频边缘特征和能量的多聚焦小波图像 融合方法,对需要融合的图像进行......
基于峭度准则VMD样本熵PNN齿轮故障诊断
文献[5]提出了基于 VMD 与多特征融合的齿轮故障诊断方法,提取经 VMD 处理后振动信号的排列熵 能量作为特征向量输入最小二乘支持向量机,对齿轮故障类型进行模式......
基于IMF能量目标特征提取与分类方法
68 2008,44(4) ComputerEngineeringandApplications 计算机工程与应用 基于 IMF 能量熵的目标特征提取与分类方法张小蓟, 张歆, 孙进才 ZHANGXiao-ji,ZHANGXin,SUNJin......
基于EMD非线性峭度的齿轮故障诊断
基于 EMD 和非线性峭度的齿轮故障诊断 张德祥;汪萍;吴小培;高清维 【期刊名...
基于IMF和粗糙度特征的发动机振动信号分析
基于IMF 粗糙度特征的发动机振动信号分析 作者:吴娅辉;李新良;张大治;洪宝...
基于互信息特征选择和LSSVM的网络入侵检测系统
基于互信息特征选择和 LSSVM 网络入侵检测系统 庄夏 【摘要】为提高网络入侵检测系统(IDS)的性能,提出一种基于互信息特征 选择和 LSSVM 入侵检测方案(BMIFS......
基于EMD和峭度的Hilbert包络解调在滚动轴承故障诊断中应用分析
分解和峭度指标的Hilbert包络解调方法.首先对滚动轴承的振动信号进行了经验模式分解(EMD),得到了包含轴承故障特征信息的各阶本征模态函数(IMF),再计算各阶IMF的峭度 ......
基于CPSO-LSSVM的多传感器数据融合
2012年 仪表技术与传感器 InstrumentTechniqueandSensor 2012No.11 第ll期 基于CPSO—LSSVM的多传感器数据融合 张朝龙,李彦梅,江巨浪,江善和,黄忠,杨伟 (安庆师范......
基于IMF能量神经网络轴承故障诊断
基于IMF能量矩和神经网络的轴承故障诊断_自然科学_专业资料。IMF能量矩 第2...
基于EMD和LS-SVM的旋转整流器故障诊断方法研究
以旋转整流器一个和两个功率二极管断路故障为例,通过对励磁电流信号的EMD分解,得到了以能量为基础的特征向量,建立了高斯径向基核函数的LS-SVM故障模式分类器,对......
基于奇异值分解(SVD)差分谱降噪和本征模函数(IMF)能量改进
(2015)09—0090—07 Science Technology and Engineering ⑥201 5 Sci.Tech.Engrg. 仪表技术 基于 奇异 值分解(SVD)差分谱 降噪 和本征模 函数 (IMF) 能量 ......
基于主元特征融合和SVM的轴承剩余寿命预测
基于主元特征融合和 SVM 轴承剩余寿命预测 马海龙 【摘要】摘要:为解决采用单一特征量预测轴承剩余寿命误差较大、有限数据 样本条件下轴承剩余寿命难以估算的问题,......
基于EEMD峭度_相关系数准则的多特征量风电机组轴承故障诊断_彭进
针对分解出的各个 IMF 分量,文献 [8] 提 出了基于峭度准则的滚动轴承故障特征提取方 法 ,有效地实现了故障冲击成分的提取和分析。文献 [9] 指出,不同工况的......
基于ELMD与LS-SVM的滚动轴承故障诊断方法
提取其峭度系数与能量特征参数以构造故障特征向 量,并作为 LS-SVM 输入来...
基于小波变换和LS-SVM的短期风速预测方法
基于小波变换和 LS-SVM 短期风速预测方法 作者:韩晓娟;曹慧;李勇;肖运...
基于局部能量和小波系数相位特征的图像融合方法
与软件 Computer ApplicationsandSoftware Vol.26 No.10Oct.2009 基于局部能量和小波系数相位特征的图像融合方 法龚 昌来 (嘉应学院电子信息工程系 广东 梅州 ......