专利名称：一种基于emd和pca的滚动轴承状态辨识方法
技术领域：
本发明属于轨道交通安全技术领域。本发明涉及一种基于EMD和PCA的滚动轴承状态辨识方法。
背景技术：
在轨道车辆、汽车、工程机械行业中，滚动轴承的应用十分广泛，但同时故障率也较高，据统计仅有10% 20%的滚动轴承可以达到设计寿命。因此准确有效的滚动轴承运行状态监测和识别对于提高工作效率、降低运营成本、保障设备运行安全具有重要意义。
特征的提取和状态的辨识是滚动轴承状态监测中需解决的关键问题，国内外学者已经对此进行了深入研究。在特征提取方面，经验模态分解(Empirical ModeDecomposition, EMD)是一种较新的信号处理方法，具有自适应和高信噪比的特点，十分适合于机械振动信号等非平稳、非线性信号的分析处理，且通过EMD分解出的本征模函数(Intrinsic Mode Function, IMF)分量可用于提取故障特征信息。目前，已有学者采用计算各IMF的能量矩、能量熵、Renyi熵、Shannon熵以及计算IMF矩阵奇异值等方法进行了故障特征提取的研究。但上述研究均未考虑振动信号的统计特征，而振动信号的各种统计量往往包含了丰富的对象运行状态信息，可检测出其运行状态的变化。主成分分析(Principal Component Analysis, PCA)是一种典型的多元统计模式识别方法,参数限制少，计算简单。迄今，基于PCA的多元统计性能监控方法在质量控制、过程监测和故障诊断等领域已有诸多应用。在状态监测中，通过PCA对当前状态的采样数据进行最佳综合简化后，可求得不同子空间的统计变量值及其控制限，这些统计变量及其控制限可以表征当前状态的统计特性。在状态辨识方面，最小二乘支持向量机(Least Square Support VectorMachine, LSSVM)是一种基于经典支持向量机(Support Vector Machine, SVM)的扩展和改进的智能分类方法。其不仅具有经典SVM的小样本学习能力强、泛化性能好、有效避免局部极小的特点，而且运算速度快，无需指定逼近精度。因此LSSVM在模式识别、预测控制等领域有广泛应用。安全域分析及估计理论最早由WU等提出，应用于电力系统安全状态评价，之后扩展到网络控制、公路交通、电子政务等方面。针对滚动轴承状态监测和识别的研究，其安全域是一个在从域的角度全面描述滚动轴承可正常(无故障)运行区域的定量模型。直观来说，在状态特征变量所确定的空间中划定一个区域，估计此区域的边界，当滚动轴承的状态特征变量值所确定的状态点落在此区域内时，则认定此时滚动轴承运行状态正常(无故障)，当状态点落在此区域外时，则认为此时滚动轴承运行状态非正常(故障)。当状态特征变量数为2，即所确定的空间为二维平面空间时，滚动轴承的运行状态安全域如图I所示，其中VpV2为两个状态特征变量，PpP2分别表示滚动轴承运行状态正常和故障时的两个状态点。安全域估计的主要工作是获得安全域边界，即一能够区分正常和故障两种状态的分类决策函数。
发明内容
本发明的目的是对滚动轴承运行状态进行监测和识别，获取滚动轴承安全域边界以辨识正常和故障两种运行状态，进而辨识滚动轴承的正常及滚动体、内圈、外圈故障四种运行状态。本发明可以为滚动轴承的状态监测提供可行的途径，进而提高滚动轴承的工作效率、降低运营成本，对滚动轴承的安全稳定运行提供保障。一种基于EMD和PCA的滚动轴承状态辨识方法包括以下步骤I)获取实验数据分别采集滚动轴承的运行状态处于正常和故障情况下的振动加速度数据，故障包括滚动体故障、内圈故障和外圈故障；2)进行两类状态实验数据划分或四类状态实验数据划分；两类状态实验数据划分是指按照时间间隔h分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据和滚动轴承的运行状态处于故障情况下的振动加速度数 据；划分的每个数据段对应一个特征向量；四类状态实验数据划分是指按照时间间隔h分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据、滚动轴承的运行状态处于滚动体故障情况下的振动加速度数据、滚动轴承的运行状态处于内圈故障情况下的振动加速度数据和滚动轴承的运行状态处于外圈故障下的振动加速度数据；划分的每段数据对应一个特征向量；3)当步骤2)进行两类状态实验数据划分时，对划分的每段数据分别进行经验模态分解处理，获得每段数据的固有模态函数分量，组成各自的固有模态函数矩阵；当步骤2)进行四类状态实验数据划分时，对划分的每段数据分别进行经验模态分解处理，获得每段数据的固有模态函数分量，组成各自的固有模态函数矩阵；4)提取滚动轴承的状态特征向量对每个固有模态函数矩阵进行主成分分析处理，计算对应的T2统计量的控制限和SPE统计量的控制限，这两个控制限的值构成了每段数据的二维统计特征向量，每段数据的二维统计特征向量对应一个状态点；将获得的T2统计量的控制限和SPE统计量的控制限分别进行归一化处理，当步骤2)进行两类状态实验数据划分时，分别标记为“正常”和“故障”两类样本；当步骤2)进行四类状态实验数据划分时，分别标记为“正常”、“滚动体故障”、“内圈故障”和“外圈故障”四类样本；5)当步骤2)进行两类状态实验数据划分时，利用最小二乘支持向量机算法将此“正常”和“故障”两类样本进行分类，得到对应的分类线，此分类线即为滚动轴承运行状态的安全域边界，根据此边界能够辨识正常和故障两种情况；当步骤2)进行四类状态实验数据划分时，利用多分类的最小二乘支持向量机算法将此“正常”、“滚动体故障”、“内圈故障”和“外圈故障”四类样本进行分类，获得状态辨识结果。所述时间间隔h为采集数据时滚动轴承自转一圈所需的时间。本发明的有益效果为本发明提供了基于EMD-PCA-LSSVM的滚动轴承运行状态安全域估计方法以及正常和各种故障状态的辨识方法，可得安全域准确率和多种状态辨识率均大于95%。本发明为滚动轴承故障监测、诊断提供了快速、有效的方法。
图I是滚动轴承运行状态的安全域示意图2是基于EMD-PCA-LSSVM安全域估计以及状态辨识方法的实施过程图(其中划分后的数据段个数Q=Ts/%，Ts为采样时间，为数据划分的时间间隔)；图3是DAGSVM多分类方法示意图；图4是滚动轴承运行状态的安全域估计结果，其中子图4a和图4b分别为情况I和情况2的结果；
具体实施例方式下面结合附图对本发明的实施例具体说明如图2所示，一种基于EMD和PCA的滚动轴承状态辨识方法包括以下步骤I)获取实验数据分别采集滚动轴承的运行状态处于正常和故障情况下的振动加速度数据，故障包括滚动体故障、内圈故障和外圈故障； 2)进行两类状态实验数据划分或四类状态实验数据划分；两类状态实验数据划分是指按照时间间隔h分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据和滚动轴承的运行状态处于故障情况下的振动加速度数据；划分的每个数据段对应一个特征向量；四类状态实验数据划分是指按照时间间隔h分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据、滚动轴承的运行状态处于滚动体故障情况下的振动加速度数据、滚动轴承的运行状态处于内圈故障情况下的振动加速度数据和滚动轴承的运行状态处于外圈故障下的振动加速度数据；划分的每段数据对应一个特征向量；时间间隔h为采集数据时滚动轴承自转一圈所需的时间；3)当步骤2)进行两类状态实验数据划分时，对划分的每段数据分别进行经验模态分解处理，获得每段数据的固有模态函数(Intrinsic Mode Function, IMF)分量,组成各自的固有模态函数矩阵；当步骤2)进行四类状态实验数据划分时，对划分的每段数据分别进行经验模态分解处理，获得每段数据的固有模态函数分量，组成各自的固有模态函数矩阵；4)提取滚动轴承的状态特征向量对每个固有模态函数矩阵进行主成分分析处理，计算对应的T2统计量的控制限和SPE统计量的控制限，这两个控制限的值构成了每段数据的二维统计特征向量，每段数据的二维统计特征向量对应一个状态点；将获得的T2统计量的控制限和SPE统计量的控制限分别进行归一化处理，当步骤2)进行两类状态实验数据划分时，分别标记为“正常”和“故障”两类样本；当步骤2)进行四类状态实验数据划分时，分别标记为“正常”、“滚动体故障”、“内圈故障”和“外圈故障”四类样本；5)当步骤2)进行两类状态实验数据划分时，利用最小二乘支持向量机算法将此“正常”和“故障”两类样本进行分类，得到对应的分类线，此分类线即为滚动轴承运行状态的安全域边界，根据此边界能够辨识正常和故障两种情况；当步骤2)进行四类状态实验数据划分时，利用多分类的最小二乘支持向量机算法将此“正常”、“滚动体故障”、“内圈故障”和“外圈故障”四类样本进行分类，获得状态辨识结果。下面是本发明的一个具体实施例该实施例所需数据是由Dr. KennethA. Loparo提供的滚动轴承实验数据，轴承型号为205-2RS JEM SKF型深沟球轴承，电机负载3马力，转速1730r/min，滚动体及内、外圈的故障直径均0. 1778mm，深度为0. 2794mm，故障较轻微，采集时间10s。I)实验数据分段划分由于采用Dr. Kenneth A. Loparo提供的滚动轴承实验数据，分为以下两种情况数据进行了试验情况I :采样频率12k Hz，驱动端数据；情况2 :采样频率48k Hz，风扇端数据。本实施例按滚动轴承的转速确定用于划分数据段的时间间隔，即按轴承每转一转所采集的数据点划为一个数据段。则两种情况下各状态的数据均划分为288段，其中第I情况每段数据包含426个数据点，第2种情况每段数据包含个1706数据点。2)各段数据本征模函数分量获取对所得的每段原始数据运用EMD获得其IMF分量。每个IMF分量需满足两个条件第一，过零点的数量与极值点的数量相等或至多相差一 个；第二，在任一时间点，局部最大值确定的上包络线和局部最小值确定的下包络线的均值为零，即信号关于时间轴局部对称。EMD “筛选”得到MF分量的步骤如下①设原始信号为x(t)，找出其所有局部极值点，将所有的局部极大值点和局部极小值点分别用三次样条曲线连接起来，得到x(t)的上、下包络线；②记上包络、下包络局部均值组成的序列为Hi1，令h: (t) =x (t) -In1(I)③判断h⑴是否满足上述MF分量所需的两个条件，若不满足，则将其作为待处理信号，继续进行①、②两步，即h2 (t) =Ii1 (t) H2 (2)如此重复k次，hk(t) =hk_! (t) -mk (3)直至hk (t)满足MF分量的两个条件。记hk (t)为c1(t)=hk(t)(4)得到第一个MF分量C1 (t)。使用时，为终止使上述迭代过程，常选用相邻两个结果的标准差(Standard Deviation, SD)小于某一个值作为停止准则，SD定义为SD = Y 1~11 ~
-_(5)式中，T为信号长度。④将IMF分量从原始信号中分离出来，得T1 (t) =x (t) -C1 (t) (6)⑤将rjt)作为新的原始信号，重复步骤① ④，可得到
A (/) = / (/)-￡'.(/)
训=g(0-训I；
rAt) = ^nAt)-cAt)(7)当MF分量cn(t)小于某一阈值*rn(t)变为单调函数时，停止分解过程，本发明采用后者作为终止条件。
⑥将式￠)、⑵相加，得
权利要求
1.一种基于EMD和PCA的滚动轴承状态辨识方法，其特征在于，包括以下步骤 1)获取实验数据分别采集滚动轴承的运行状态处于正常和故障情况下的振动加速度数据，故障包括滚动体故障、内圈故障和外圈故障； 2)进行两类状态实验数据划分或四类状态实验数据划分； 两类状态实验数据划分是指按照时间间隔h分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据和滚动轴承的运行状态处于故障情况下的振动加速度数据；划分的每个数据段对应ー个特征向量； 四类状态实验数据划分是指按照时间间隔h分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据、滚动轴承的运行状态处于滚动体故障情况下的振动加速度数据、滚动轴承的运行状态处于内圈故障情况下的振动加速度数据和滚动轴承的运行状态处于外圈故障下的振动加速度数据；划分的每段数据对应一个特征向量； 3)当步骤2)进行两类状态实验数据划分时，对划分的每段数据分别进行经验模态分解处理，获得每段数据的固有模态函数分量，组成各自的固有模态函数矩阵； 当步骤2)进行四类状态实验数据划分时，对划分的每段数据分别进行经验模态分解处理，获得每段数据的固有模态函数分量，组成各自的固有模态函数矩阵； 4)提取滚动轴承的状态特征向量对每个固有模态函数矩阵进行主成分分析处理，计算对应的T2统计量的控制限和SPE统计量的控制限，这两个控制限的值构成了每段数据的ニ维统计特征向量，每段数据的ニ维统计特征向量对应ー个状态点；将获得的T2统计量的控制限和SPE统计量的控制限分别进行归ー化处理，当步骤2)进行两类状态实验数据划分时，分别标记为“正常”和“故障”两类样本；当步骤2)进行四类状态实验数据划分时，分别标记为“正常”、“滚动体故障”、“内圈故障”和“外圈故障”四类样本； 5)当步骤2)进行两类状态实验数据划分时，利用最小ニ乘支持向量机算法将此“正常”和“故障”两类样本进行分类，得到对应的分类线，此分类线即为滚动轴承运行状态的安全域边界，根据此边界能够辨识正常和故障两种情况； 当步骤2)进行四类状态实验数据划分时，利用多分类的最小ニ乘支持向量机算法将此“正常”、“滚动体故障”、“内圈故障”和“外圈故障”四类样本进行分类，获得状态辨识結果。
2.根据权利要求I所述的ー种基于EMD和PCA的滚动轴承状态辨识方法，其特征在干，所述时间间隔h为采集数据时滚动轴承自转ー圈所需的时间。
全文摘要
本发明公开了属于轨道交通安全技术领域的一种基于EMD和PCA的滚动轴承状态辨识方法。包括以下步骤1)获取实验数据；2)进行两类状态实验数据划分或四类状态实验数据划分；3)对划分的每段数据分别进行经验模态分解处理，获得每段数据的IMF分量，组成各自的IMF矩阵；4)提取滚动轴承状态的统计特征向量；5)确定安全域边界；6)辨识滚动轴承运行状态。本发明的有益效果为本发明提供了基于EMD-PCA-LSSVM的滚动轴承运行状态安全域估计方法以及正常和各种故障状态的辨识方法，可得安全域准确率和多种状态辨识率均大于95%。本发明为滚动轴承故障监测、诊断提供了快速、有效的方法。
文档编号G01M13/04GK102778355SQ201210279340
公开日2012年11月14日 申请日期2012年8月7日 优先权日2012年8月7日
发明者廖贵玲, 张媛, 秦勇, 贾利民, 邢宗义, 陈波, 陈皓 申请人:北京交通大学