基于核主元分析的滚动轴承混合域特征提取方法.docxVIP

基于核主元分析的滚动轴承混合域特征提取方法 轴承是机械系统中非常重要的部件，其性能直接影响到整个机械系统的运行。尽管轴承运行过程是一个复杂的非平稳动态过程,很难用一个确定的时间函数来描述,但其振动信号仍具有特定的时域和频域特征,只是这些特征往往由于非平稳运行因素的影响被淹没在噪声中而难以提取。目前,利用非平稳信号处理方法获取的一些时域、频域和时-频域特征量已被有效应用于机械设备状态监测与故障诊断中。不同的特征量包含的轴承运行状态信息各不相同,反映轴承运行状态规律性、敏感性和在模式空间的聚类性、可分性也不尽相同。由于单个或单域特征难以全面、准确地刻画出复杂机械系统在复杂工况下不同程度、不同类型的故障特性,文献提出构建一种包括时域、频域、小波域的多域特征集合方法;文献则从原始振动信号及其频谱、经传统滤波解调及经EMD分解的时序和包络谱共6个方面,提取表征设备运行状态的特征,构成多征兆域特征集,以获得较为全面、准确的故障特征信息。如何有效利用混合域中具有显著类别差异信息的特征,剔除对反映故障特性贡献不大、甚至不敏感的特征,并降低特征间的相关性、减少信息冗余,对高效、准确地诊断轴承故障至关重要。基于高斯统计假设的主元分析(Principal component analysis,PCA)作为常用的特征提取方法之一,对于非线性非平稳问题的处理结果往往较差。Scholkopf等提出的核主元分析(Kernel principal component analysis,KPCA)作为一种非线性分析方法,通过某种事先选择的非线性映射将原始数据映射到一个特征空间,然后对该空间中的映射数据进行线性主元分析,从而获得使原始数据具有更好可分性的非线性主元,该方法目前已在过程监控和故障诊断中得到越来越多的关注和成功的应用。采用核主元分析方法对混合域特征集中对状态敏感的特征进行二次提取,将全部已有的特征映射到一个较低维的特征空间,用尽可能少的特征数最大程度地反映故障信息。在此,本文作者通过对原始信号分别生成时域、频域状态特征,并利用多分辨率小波分解的时间序列提取时-频域状态特征,构建表征原始振动信号状态特征的混合域特征集;然后,采用核主元分析方法从中提取对故障特性敏感的主要状态特征;最后,将提取出的非线性主元作为特征向量输入支持向量机进行状态识别,并应用于滚动轴承故障诊断实验,获得良好效果,验证了所提方法的有效性。 1 混合区域特征的构建 1.1 轴承运行状态分析 当轴承出现故障时,其振动信号在时域、频域的某些特征量会产生相应的变化。通过分析其变化可以有效识别出轴承运行状态。 根据滚动轴承运行振动信号的特点,分别在时域、频域生成可以较好地刻画状态变化特性的特征量,如表1所示,各特征量定义参见文献。 1.2 基于原始振动信号的特征向量的组新时间序列 轴承故障的重要信息往往包含在瞬态信号或突变信号中,其对应的信号频率较高,而单一的时域或频域特征只能对信号进行整体刻画,不能同时对信号进行局域性分析。小波变换具有时-频域局部优化和可变时窗的特点,既可保持原始非平稳信号中的冲击与瞬态等高频信息,又可保留原始非平稳信号中的低频信息,用于分析非平稳信号比传统的时域、频域方法更具有显著的优点。为此,采用Mallat算法对轴承原始振动信号进行多分辨率分解,用不同频带内的分解系数生成一组新的时间序列;在这组新时间序列中采用原始振动信号的时、频域特征生成方法,构成时-频域特征向量,以便更加细致地刻画轴承在各频率波段中的状态变化。 对于任意信号f(t)∈Vj,即 其中:系数{cj,k,k∈Z}已知。采用Mallat算法在分辨率2j下,可将其分解为在Vj-1和Wj-1子空间的2个正交分量之和: 也就是由已知序列{cj,k}可求出j-1级的近似序列{cj-,1 k}和j-1级的细节序列dj-,1k,第j-1级信号的尺度系数和小波系数分别为: 式中:?(t)和ψ(t)分别是L2(R)中某一正交多分辨率分析的尺度函数和小波母函数,R为实数集,且有: {hk}和{gk}分别为分解用低通、高通滤波器系数,可以通过内积来计算: 如果对信号进行多级小波分解,即从j=0级开始经过J级分解,最后得到的是{c-J,k},{d-J,k},…,{c-,1 k},{d-,1 k},共J+1个序列: 其中:CJ是信号f(t)的第J级近似序列;Dj是信号f(t)的第j级细节序列。通常,将原始采样数据{fn}看作是f(t)在j=0级的近似序列{c0,k}。 对轴承原始振动信号进行6层小波分解,可以生成7个新的时间序列,对这7个时间序列分别生成如表1所示的14个时域特征量和4个频域特征量,共生成126个时域和频域特征量。 为从多个不同角度准确刻画轴承故障特性,全面反映轴承运行状态,将生成的14个时域特征、4个频域