基于小波分析滚动轴承故障诊断研究.docVIP

基于小波分析滚动轴承故障诊断研究 　　【摘 要】对采集到的某车型底盘系统传动装置的滚动轴承在正常、内圈和滚子裂缝、剥落三种工况下的振动信号利用小波分析进行消噪处理后，再利用小波熵进行特征提取，对提取到的特征向量分别使用RBF神经网络和支持向量机进行故障类型的模式识别。从实验处理结果中可以看到在小样本的情况下支持向量机比RBF神经网络具有更高的诊断精度，这表明支持向量机在解决滚动轴承敞障诊断问题上有着很好的实用价值和应用前景。 　　【关键词】小波分析；滚动轴承；故障诊断；支持向量机 　　滚动轴承是旋转机械中最常见的通用零部件之一，被广泛应用于电力、机械、航天等领域。它的使用性能直接影响着设备的整体性能，如果关键部件的滚动轴承出现故障，则有可能造成巨大的伤亡和经济损失。因此，对滚动轴承实施有效的预防、检测和诊断，按实际状况进行维修是十分必要的。目前，对滚动轴承进行状态检测和故障诊断最好且最有效的一种方法就是小波分析法，其在时域和频域都具有较好的局部化特性，可以不同程度的剥离和分解振动信号，从而获取不同尺度的细节信号和轮廓信息，更有利于识别故障特征信号的其它干扰信号。 　　一、滚动轴承的信号检测与消噪 　　轴承故障诊断就是通过能反映轴承工作状态的信号进行分析与处理来识别轴承的状态。为了利用振动信号进行滚动轴承的故障诊断，需要测出正常工况下的信号，然后在相同型号的设备上人为地制造各种故障再次测试，将正常工况下的信号作为标准信号，然后将各种故障工况下的信号与之作相应的对比。通过相应的数据处理手段来判定故障程度及故障类型与已知的情况是否匹配。本试验主要是在三种轴承状态下进行测试，第一种是正常状态，第二种是内圈和滚子裂缝故障状态，第三种是内圈和滚子剥落故障状态。信号采集是利用检测振动的加速度传感器来收集轴承运转时的振动数据。 　　由于某车型底盘系统传动装置在运行过程中存在着很多干扰，所采集到的782726双列滚子轴承振动信号里含有噪声信号，如果直接对所采集的振动信号进行特征提取，将会降低故障诊断的正确率。因此，我们利用小波分析方法来进行消噪处理。小波变换里有多种小波基，Daubechies系列小波基是典型的具有紧支光滑的止交小波基，根据相关系数来选择最优小波的方法，本研究选择了db8小波进行消噪处理。由于滚动轴承的噪声信号的属性未知，对此采用启发式阈值对信号进行处理。 　　图l 滚动轴承振动信号的消噪 　　二、滚动轴承信号的特征提取 　　正确提取振动信号的特征向量是成功诊断故障的先决条件。滚动轴承的振动信号是随机的，很难从它的外部变化观察系统的内部规律，因此必须采用现代科学手段对原始信号进行处理，找出它的内在规律。基于这点考虑，利用小波分析理论与信息熵原理相结合的方法，即小波熵来进行特征提取。 　　首先对所采集到的轴承正常、内圈和滚子裂缝、内圈和滚子剥落3种情况下振动信号分别进行数据分段预处理，即选择每数据段样本点数为1024，来得到3种不同工况下的各个数据段。为消除背景噪声对滚动轴承振动信号的干扰，提高信噪比，对采集到的振动信号采用小波消噪的方法进行数据消噪预处理。对消噪后的信号利用“db8”小波对振动信号进行3层小波包分解，再对各频段分别进行重构，得到8个频段的重构信号。对每频段的重构信号再进行3层小波包分解，并计算其小波熵值。由此得到每数据段（1024个样本点）的8个小波熵值，将这8个小波熵值构成一个1x8的向量，即为该轴承振动信号的小波熵特征向量。 　　在确定了小波熵特征向量之后，需要对该小波熵特征向量进行预处理，即将它们变换到[-1，1]或[O，1]的范围内。对小波熵特征向量归一化预处理的目的是使经过归一化处理后的特征向量对于学习机器更容易学习和分类，有利于进一步的故障模式识别。 　　三、滚动轴承信号的故障诊断 　　（一）基于RBF神经网络的故障诊断 　　对于故障诊断而言，其核心技术是模式识别。模式识别就是将所研究客体的特性类属映射成“类别号”，以实现对客体特定类别的识别。传统的模式识别是将样本的特征向最和每个模式的代表类别特征向量进行比较，然后把样本归到离其“最近”的模式类别中。利用神经网络进行模式识别，可根据样本进行学习，由此提高识别能力。 　　用训练好的RBF网络对测试样本进行识别，诊断的输出结果如表1所示。 　　从表1可以看出，用训练好的神经网络对测试样本进行识别，识别率达到83.3%，因此利用神经网络能比较准确地识别工况类型。 　　（二）基于支持向量机的故障诊断 　　在机械故障诊断中，制约人工神经网络等智能诊断方法发展和应用的主要因素是需要大量的典型故障数据样本或先验知识。为了解决上述问题，Vapnik等人提出了一个较完善的基于有限样本的理论体系，即统计学习理论（SLT）。 　　设有n个样本xi及其所属类别yi∈{l