【热点导读】：三相异步电动机电机启动常见故障 机电一体化技术现状和发展趋势 数控技术和装备发展趋势及对策
分析小波变换数据描述应用
文章
来
源
教育网
设备维修体制正在由传统的事后维修或定期维修向预知维修转变[1]。如何实现传统维修方法到预知维修的转变,关键是要能够对设备的运行状态做出正确的评价。设备性能退化评估是近几年提出的一种新思维,它淡化了对故障分类的概念,从评估的角度强调故障大小对设备性能和寿命的影响,指导现场的企业根据设备性能和寿命的情况,确定按需维修的方案[2]。滚动轴承是旋转机械中应用最广泛的机械零件,本文中介绍了一种对轴承的性能进行评估的方法正交小波变换-支持向量数据描述方法(OWT-SVDD),通过滚动轴承内圈不同点蚀下的试验数据验证OWT-SVDD评估方法的有效性。
1正交小波变换
多尺度分析在信号处理中的应用表示为j=1即得到的从V0到Vm-1各个尺度上f(t)的相应局部细节信息[3],上述分解过如图1。
2支持向量数据描述
支持向量数据描述(SVDD)是由DavidM.J.Tax等人于近几年研究发展起来的一种单值分类方法[4],其理论基础源于V.Vapnik提出的统计学习理论(statisticallearningtheory,SLT)[5]。数据描述的基本思想是把要描述的对象作为一个整体,建立一个封闭而紧凑的区域Ω。假定有n个要描述的数据{xi},i=1,…,n,也就是构建单值分类器的学习样本。SVDD的目标是要寻找到一个最小体积的超球体,使所有的xi都包含在该球体内。超球半径R可由任一支持向量xk按下式求出对于一个新样本z,判断它是否属于目标样本,就是要看该样本到分类面超球体中心a的距离是否大于超球体半径R。即有如下的判别函数n若公式(4)成立,则判断样本z属于目标样本,即z和训练样本属同类别,否则判断其为非目标样本,即z和训练样本属非同类别。根据V.Vapnik提出的理论[5],可以用核函数K(xi,xj)来替代内积运算xi?xj,实现低维空间向高维空间的映射,从而使原空间的非线性分类问题转化为高维空间的线性分类问题。
3轴承寿命预测评估方法
应用正交小波变换支持向量数据描述对轴承寿命进行预测评估的步骤如图2所示。1)对正常状态下的样本利用正交小波变换分解,进行特征提取,提取前5层细节信号中每层的峰峰值组成特征向量,作为SVDD训练的输入向量,构造SVDD分类模型。2)对待测样本利用正交小波变换对其进行分解,提取前5层细节信号中每层的峰峰值,作为测试样本的输入向量,求出测试样本到SVDD分类模型中心的距离Rz,根据HI=R2z-R2计算其至超球面的距离,判断其是否属于正常状态。置HI=ε,ε越大,表明偏离正常状态越远,退化程度越严重。
4试验分析
试验在轴承实验台上进行。试验台由一台电机带动一台水泵组成。电机运行负荷固定为2.25kW。诊断对象为电机两端安装的滚动轴承,试验所用的轴承分别用电腐蚀法在轴承内圈制作出不同程度的点蚀故障,这些点蚀的深度分别为0.18mm,0.36mm,0.53mm,0.72mm。试验时,采集这些不同故障程度的轴承振动信号作为诊断参数,采样频率12kHz。在上述4种故障程度情况下各采集50组,每组数据采集长度512点。首先,在没有进行特征提取的条件下,直接用原始的采样数据,建立支持向量数据描述模型,按照点蚀故障程度从小到大,对各种故障等级的轴承性能退化的进行评估。采集轴承正常情况下70组样本作为描述SVDD模型的训练样本,对采集到的4种不同情况下的故障样本进行测试,观察HI的变化如图3所示。观察图3结果,没有进行特征提取的SVDD设备状态评估方法,点蚀为0.18mm时,前50个点对应的测试结果HI的值为1.4左右,且HI变化幅度较小,基本稳定在1.4左右。观察样本点数51~100,点蚀程度为0.36mm时,HI突然下降为0.8左右,且HI变化仍然较大,出现震荡现象。观察样本点101~150,点蚀程度为0.53mm时,HI再次突变到1.5左右,HI的值又处于稳定状态,变化不大。观察样本点151~200,点蚀为程度0.72mm时,HI的值为1.5,且更加稳定。从HI这样的变化情况来看,看不出它与轴承点蚀故障程度变化之间的关系,也就是说,这样的情况下,HI的值并不能表征轴承性能的退化程度。下面我们再通过正交小波变换提取特征之后进行评估分析。同样的试验条件下,内圈点蚀分别为0.18mm,0.36mm,0.53mm,0.72mm,各采集50组,每组数据采集512个点。取正常情况下70组样本通过正交小波变换特征提取后的向量作为描述SVDD分类模型的训练样本对上述4种情况下的点蚀信号进行正交小波特征提取后样本进行测试,步骤如本文第3节所示。得出HI的变化如图4所示。图4中,轴承内圈0.18mm点蚀故障开始,前50个样本点HI一直保持在0.75左右平稳的幅度。第51~100样本点的故障为0.36mm点蚀,HI幅度开始不稳定,偏离0.75的平衡位置,并有一个急速扩大的趋势。第101~150样本点的故障为0.53mm点蚀,HI有了一个突然增大的变化,表明轴承性能开始恶化。第151~200样本,故障为0.72mm点蚀,HI进一步增大,表明轴承性能进一步退化。点蚀深度大于0.72mm时,HI更大,表明轴承状态更加恶化。在这样的情况下可以明显看出,HI的值是随着轴承点蚀故障的加剧而呈现增大的趋势,也就是说HI的值可以明显的表征轴承性能的退化程度。图3和图4对比可知,以正交小波变换提取的特征向量来建立的SVDD分类模型,可更有效地对轴承性能状态进行评估,计算出来的健康评估参数HI意义更加明确,可更好地对轴承退化过程进行监测。
5结论
提出一种用于轴承性能退化评估的新方法———正交小波变换-支持向量数据描述法,给出了状态评估的定量健康指标HI。该指标能够敏感的反映了轴承性能的退化程度,为生产和设备管理提供了科学的依据。该方法结合了SVDD能够在只有一类正常样本的情况下进行分类和正交小波变换能够处理非平稳信号,对特征向量降低维数处理的特点。应用于轴承的性能退化评估中,达到了预期的评估目的。本文把支持向量数据描述和正交小波变换应用于非平稳信号的处理中,进而对设备状态进行评估,与以往的状态评估不同点在于它从性能退化的角度对轴承的性能退化进行预测,以轴承内圈点蚀的故障情况为例,进行了试验研究,结果显示评估效果客观、有效。对轴承内圈故障、滚动体失效等故障类型,也有一定的参考价值。在后续的研究工作中,选择优秀、全面的特征,引入优化核函数,选择易操作的评估指标将会是我们的研究重点[6]。
