基于形态非抽样小波和支持向量机的滚动轴承故障诊断.pdf
应用研究数字技术 与应用76众所周知,轴承故障可分为滚动体损伤、内圈损伤、外圈损伤、保持架损伤,而这些故障中90%的故障为内圈损伤或外圈损伤,其他故障基本为滚动体损伤,保持架损伤极少发生1。轴承发生损伤后,在运行过程中损伤局部会产生周期性的脉冲振动,这个信号中包含有能体现损伤特征的瞬时频率突变,而且信号中还包含轴承工作背景下的各种振动,因此振动信号中故障信息的提取十分困难2。基于形态非抽样小波和支持向量机的滚动轴承故障诊断刘倩 闫晓金 李叶紫(北华航天工业学院电子工程学院 河北廊坊 065000)摘要:针对滚动轴承故障,文章提出了形态非抽样小波与支持向量机相结合进行滚动轴承故障诊断的方法,利用形态非抽样小波的简单快速运算、较好的保持故障信号的细节特征进行故障信号的提取,然后使用支持向量机进行滚动轴承的故障诊断,重点是通过对比小波变换和形态非抽样小波对故障信号分解和重构后获取的特征向量,验证了形态非抽样小波在特征向量提取和故障诊断中的优势。关键词:滚动轴承 形态非抽样小波 形态小波 支持向量机 故障诊断中图分类号:TH165+.3文献标识码:A文章编号:1007-9416(2015)08-0076-03图2 轴承三种典型故障信号图图3 内圈故障信号能量谱图4 外圈故障信号能量谱图收稿日期:2015-07-02作者简介:刘倩(1987),女,河北廊坊人,助教,硕士,主要研究方向为数据采集与电机控制;闫晓金(1983),男,辽宁大连人,讲师,主要研究方 向为电源、电气传动;李叶紫(1961),女,河北石家庄人,教授,主要从事电机控制及其故障诊断方面的工作。图1 最优分类面示意图应用研究数字技术 与应用77由于故障轴承振动信号的这些非线性非平稳特点,常用的线性分析方法的效果不能满足工程要求。相对于传统的小波分析对处理非线性非平稳信号存在不足,形态非抽样小波3基于形态学的非线性小波变换,兼顾了数学形态学和小波的优良特性,对故障信号去噪的同时又能较好的保持信号细节,保证了高效的提取故障信号特征值。本文通过形态非抽样小波算法和传统小波变换分别获得振动信号的故障特征向量作为输入变量,使用支持向量机智能学习算法对轴承故障进行诊断,进一步验证了形态非抽样小波在处理轴承故障信号中的优势。1 形态非抽样小波概念2000年,Heijman等提出了形态小波这一概念,结合主要的线性和非线性小波形成了多分辨分析的统一框架。1.1 数学形态算法介绍形态小波在数学形态学的基础上,通过腐蚀或者膨胀算子代替图5 滚动体故障信号能量谱小波的线性分解算子,通过形态运算对线性小波进行非线性扩展。基本数学形态中开、闭算子对信号处理的效果不同:开运算可以抑制信号的正冲击,保留负冲击,闭运算可以保留信号正冲击,抑制负冲击。1.2 形态非抽样小波算法形态非抽样小波分解则是基于非抽样小波框架的一种对偶小波分解方法,省去了小波分解过程的下抽样和重构过程的上抽样,是基于信号每个点的变换方法,这种方法能够避免信息丢失和降低噪声而引起的失真,因此更适合于信号的特征提取和降噪。设形态学闭算子为,开算子为,根据信号的脉冲特点,本文采用文献3提出的算法,采用形态非抽样小波变换的分解算子为:jjjjxxx211 (1)jjjjjxxSxy211 (2)jjjjjjjjjxxxx，(3)在上述变换中,信号分解算子主要包括21和,前一部是形态开闭和闭开交替混合滤波器,对故障信号起到平滑及抑制噪声的作用。后一部分是对闭运算和运算开的差值运算,用来提取信号的脉冲冲击特征,根据形态开闭运算的幂等性,在进行多层分解时,通过改变结构元素的长度,可以有效的提取信号中不同尺度的形态信息。因此,形态非抽样小波既能能够平滑噪声,又能够提取故障信号的冲击特征,适合分析滚动轴承故障信号。2 支持向量机支持向量机(Support Vector Machines,简称SVM)基于统计学理论,可以实现结构风险最小化,同时能够克服诸如神经网络结构、局部极小点等传统问题,对分析非线性、高维及小样本等问题有很大优势。采用支持向量机进行分类的优点是训练所需要的样本数量相对较少,能解决通过向高位空间的映射解决非线性问题。频带能量平均值（归一化后）轴承 部件 分析方法 E1 E2 E3 E4 E5 E6 0.0709 0.1075 0.2917 0.4439 0.0457 0.0402 形态非抽样 小波 0.0859 0.095 0.3167 0.4189 0.0582 0.0202 方差 0.0474 0.0178 0.0313 0.0296 0.0016 0.0009 0.1009 0.0825 0.3417 0.3939 0.0707 0.0002 小波分析 0.0959 0.11 0.3367 0.4089 0.0432 0.000
