基于条件局部均值分解与变量预测模型轴承故障诊断方法.docVIP

基于条件局部均值分解与变量预测模型轴承故障诊断方法 　　摘 要： 　　针对局部均值分解（LMD）方法在分解非线性、非平稳振动信号过程中存在的模态混淆现象，从而影响故障识别准确性的问题，提出了基于条件局部均值分解方法（CLMD）与模式识别变量预测模型（VPMCD）的故障诊断方法。该方法将数字图像处理的频率分辨率方法与LMD相结合，首先确定振动信号中所有局部极值点的频率分辨率，将振动信号分为低频率分辨率区域和高频率分辨率区域；然后对高频率分辨率区域进行LMD分解，可得若干乘积函数（PF）分量；最后用折线将所有PF分量连接起来，经滑动平均处理可得PF分量，提取PF分量的偏度系数和能量系数构成故障特征向量，用于VPMCD故障识别。将该方法应用于轴承故障诊断，实验结果表明，与LMD方法相比，识别效率提高了8.33%，表明了该方法的有效性和可行性。 　　关键词： 　　条件局部均值分解；局部均值分解；模态混淆现象；变量预测模型模式识别；故障诊断 　　0 引言 　　对于非线性、非平稳振动信号，需要采用合适的时频分析方法提取特征参数。常用的时频分析方法有小波变换、经验模态分解（Empirical Model Decomposition， EMD）、局部均值分解（Local Mean Decomposition， LMD）方法等[1-3]。但是小波变换缺乏自适应性。EMD方法虽然具有自适应性，但是存在过包络、欠包络、端点效应和无物理意义的负频率等局限性[4]。相比EMD而言，LMD虽然具有端点效应不明显、虚假分量少、不会出现负频率的优点，但其仍然不能很好地从原始信号中提取突出原始振动信号局部特征的高频振荡分量，即出现模态混淆现象。条件局部均值分解（Conditional Local Mean Decomposition， CLMD）方法是在总结以上分析方法特点的基础上，提出的一种新的时频分析方法。该方法将数字图像处理的频率分辨率方法[5]与LMD相结合用于提取振动信号的局部特征分量，改善模态混淆现象，提高分解精度和故障识别效率[6]。 　　目前，常用的模式识别方法主要有神经网络、支持向量机[7]、粗糙集理论等。但是，人工神经网络需要大量的训练样本，且运算速度慢；支持向量机是二进制分类器，对于多分类问题其分类效果受核函数及其参数的影响较大；粗糙集理论决策则具有决策规则不稳定、鲁棒性差、精确度不够的缺点。本文在总结以上模式识别方法的基础上，采用由Raghyraj 和Lakshminarayanan提出的一种新的模式识别方法――模式识别变量预测模型（Variable Predictive Model Class Discriminate， VPMCD）。在滚动轴承故障诊断中，该方法充分利用从原始信号中提取的特征参数之间内在的相互关系，且这种关系在不同的工作状态具有明显区别[8]。针对不同故障类型，建立不同的变量预测模型，来实现故障类型识别[9]。 　　本文将CLMD与VPMCD相结合对滚动轴承进行故障诊断。即以具有优良时频分析能力的CLMD方法对滚动轴承振动信号进行故障特征信号提取，然后选取包含主要故障信息的乘积函数（Product Function， PF）分量的偏度系数和能量系数构造特征矢量。然后，利用训练好的变量预测模型（Variable Predictive Model， VPM）对滚动轴承的故障类型进行识别。 　　1 CLMD方法 　　CLMD是一种自适应性强、精度高的时频分析方法[10-12]。该方法能够自适应地提取若干个突出原始振动信号局部特征的不同频率分辨率的PF分量。对任意原始振动信号X（t），CLMD具体分解过程如下： 　　1）确定极值点的频率分辨率。找出原始振动信号X（t）中所有的局部极值点Pi，并求得所有Pi 的左频率分辨率f-i及右频率分辨率f +i，其中， f +i=1ti+1-ti， f -i=1ti-ti-1，ti为Pi 的采样时间。 　　2）确定高频率分辨率区域。对所有极值点，设f0为极值点频率分辨率，如果f +if0且f -if0，则记Pi为 Pj2，因此，右极点集合H=[P12，P22，…，Pn2]。如果f +if0且f -if0，则Pi为低频率分辨率极值点，则高频率分辨率区域为φ1=[P11，P12]，φ2=[P21，P22]，…，φn=[Pn1，Pn2]。 　　3）故障特征信号提取。对多分量的调幅调频信号φi=[Pi1，Pi2]（i=1，2，…，n）进行局部均值分解，具体步骤参见文献[7]。因此，可得： 　　φi（t）=PFi1（t）+ui1（t）（1） 　　其中ui1（t）代表φi（t）的残余分量[12]。 　　将高频率分辨率区域外的所有区域置零，用折线将所有PFi1按顺序链