1、基于 EMD 信息熵和支持向量机的往复压缩机轴承故障诊断分析 仲继卉 济宁职业技术学院机电工程系 摘 要： 为了延长往复压缩机轴承的使用寿命, 以实现降低压缩机故障频率的目的, 采用经验模态分解 (EMD) 方法对压缩机轴承信号进行分解, 得出若干本征模函数 (IMF) 分量, 并利用支持向量机 (SVM) 分类器对其进行识别, 以提高压缩机故障诊断效率。结果表明:经 EMD 分解得到的信号带宽是从低频到高频不断进行变化的, 可以更好地突出信号局部特征;利用参数寻优函数 SVMcgForRegress.m 进行参数优化, 最终确定最佳组合为 c=0.2 和 g=2.624 9;SVM 网络可对
2、大头和小头轴瓦间隙大等故障类型进行识别, 准确率高达 96%, 由此证明了 SVM 分类器的可靠性, 同时也说明其具备良好的识别能力。关键词： 经验模态分解; 信息熵; 支持向量机; 往复压缩机; 作者简介：仲继卉 (1972) , 女, 山东济宁人, 济宁职业技术学院副教授, 硕士, 主要研究方向为机械设计制造及其自动化。收稿日期：2017-10-10The fault diagnosis of reciprocating compressor bearing based on EMD information entropy and support vector machineZHONG J
3、ihui Mechanical and Electrical Engineering Department, Jining Vocational Technology College; Abstract： In order to extend the service life of reciprocating compressor bearings and implement the purpose of reducing the compressor failure frequency, the empirical mode decomposition (EMD) method was us
4、ed to decompose the compressor bearing signals to obtain a number of IMF components, and support vector machine (SVM) classifierwas used to identify them to improve the efficiency of the compressor fault diagnosis.The results showed that the signal bandwidth obtained from the EMD decomposition is co
5、nstantly changing from low frequency to high frequency, which could better highlight the local characteristics of the signal.Parameter optimization was performed by using the parameter optimization function SVMcg ForRegress.m, and finally the optimal combination was determined as c = 0.2 and g = 2.6
6、24 9; SVM network could identify the types of fault such as the gap between head and small head bearing, with the accuracy of 96%, which proved the reliability and good recognition ability of SVM classifier.Keyword： EMD; information entropy; SVM; reciprocating compressor; Received： 2017-10-10往复压缩机是一
7、种靠一个或几个作往复运动的活塞来改变压缩腔内部容积的容积式压缩机, 因其具有较高的工作效率与较强的适应能力被广泛应用于众多工业领域。但由于自身工作环境较为恶劣, 导致其自身故障频繁发生, 给工业生产造成诸多不利影响1。而大部分导致压缩机失效的零件为轴承, 因此延长轴承的使用寿命就可以达到降低压缩机故障频率的目的。EMD, 即经验模态分解, 是一种可以有效分解非平稳信号的方法, 该方法可将复杂信号分解成为几个局部特征明显的固有模态分量。同时, EMD 方法因其自身适应性较强, 可根据信号自身特点进行分解2-4。信息熵是一种表达系统不确定性的参量, 将 EMD 与信息熵结合, 根据信号自身特点对系
8、统复杂性进行判断, 从中找出能够明显反映轴承出现故障时的信号特征, 更容易对压缩机轴承工作情况进行评价。而支持向量机 (SVM) 是一种可将样本数据进行分类的方法, 其优点包括训练速度快、系统分类准确等5, 因此本文选择 SVM 作为轴承故障诊断系统分类器。1 EMD 和 SVM1.1 EMDEMD 是一种依据数据自身的时间尺度特征来进行信号分解的新型自适应信号时频处理方法, 该方法可直接对信号本身进行分解, 将复杂信号分解成为几个固有模态分量, 无需设定基函数。若将采样信号设定为 s (t) , 则 EMD 过程包括以下 3 步:步骤 1:找出信号 s (t) 的所有极值点, 利用三次样条函
9、数将信号拟合形成上、下包络线, 并计算上、下包络线均值, 得出均值包络线 m1 (t) , 再将信号 s (t) 与均值包络线 m1 (t) 作差, 得出时间序列 h1 (t) 。步骤 2:重复步骤 1, 直到均值包络线趋近于零, 得到固有模态分量, 并记做 c1 (t) 。步骤 3:将 c1 (t) 分量从信号 s (t) 中分离出来, 可得到时间序列 r1 (t) =s (t) -c1 (t) , 再将 r1 (t) 作为新的时间序列, 反复进行步骤 2, 可得 c2 (t) , c3 (t) , c4 (t) , , cn (t) 。若 rn (t) 单调, 则分解过程立即终止, 信号
10、s (t) 可以分解为1.2 信息熵若压缩机工况发生变化, 在不同频率段信号存在较大差异, 其能量分布也会相应改变。因此, 本文以 EMD 为基础, 通过信息熵对不同 IMF (intrinsic mode function, 本征模函数) 分量变化进行计算。利用 EMD 将压缩机轴承信号分解为变量 IMF1IMFn, 不同 IMF 分量含有不同能量分布。当轴承出现故障时, 同一频率段内能量分布会产生明显差异。而熵值则是代表不确定性的指标, 故可对轴承不同工况下的运行状况进行识别。1.3 支持向量机支持向量机 (SVM) 是一种以结构风险最小化原理为准则的分类方法, 其优点包括训练样本少、分类
11、较为准确等。支持向量机在训练过程中存在大量核函数, 这些核函数各不相同, 分别代表不同支持向量算法。本文选用高斯径向基核函数 (RBF) , 其优点包括学习性较强、适应性较好等。给定样本 Z= (x1, y1) , (x2, y2) , , (xn, yn) , 其中 xn 和 yn 分别为属于集合 Xn 和 Yn 的样本数值, XnR M, RM为空间 M 维向量, Yn-1, 1。对于二分类问题, 若 Xn 属于 C1 类, 则 Yn=1;若 Xn 属于 C2 类, 则 Yn=-1。则对于任意未知变量 x 有:式中:sgn () 为符号函数;g (x) 为分类函数;c 1和 c2分别为集合
12、 C1 和 C2 的样本数值。支持向量机自身就是一种识别模式的算法, 但压缩机产生故障的原因种类繁多, 故需建立多个 SVM 对其进行识别。就目前而言, 分类方法包括 1 对1 以及 1 对多两种。其中 1 对 1 方法主要是建立 n (n+1) /2 个分类器对训练样本进行分类。而 1 对多方法则是建立 1 个 SVM 分类器, 将其中 1 种样本与其他样本区分开来。由于压缩机故障种类较少, 本文选用 1 对多方法来针对压缩机轴承故障类型进行诊断。2 故障诊断压缩机轴承故障主要表现为一、二级连杆大头轴瓦间隙大, 一、二级连杆小头轴瓦间隙大等, 其振动信号具有非线性和非平稳性, 采用常规方法很
13、难提取轴承运行状态参量。EMD 可将振动信号逐步分解成为几个 IMF 分量, 在计算出几个 IMF 分量的信息熵值后作为 SVM 的分类样本, 便于对压缩机轴承运行状况进行考察。本文以 2D12 型压缩机作为研究对象, 分别在一、二级十字头附近布置检测点, 用加速度传感器采集连杆大、小头故障状态下的振动信号。其中, 采样频率为 50k Hz, 采样时间为 0.25s。由于工作环境对往复压缩机的影响, 往往会淹没一些有用的信息, 需要对压缩机的采样信号进行降噪处理, 降噪前后的压缩机一级连杆大头轴瓦间隙大的振动波形图如图 1 所示。从图中可以看出, 经过小波阈值降噪处理, 信号既保留了其本身的特
14、征又降低了噪声干扰, 去噪效果很好。对降噪后压缩机一级连杆大头轴瓦间隙大特征信号进行 EMD 分解, 如图 2 所示, 从上到下, 依次为气阀固有模态函数 IMF1IMF4。从图 2 中可以看出, 经 EMD 分解得到的信号带宽是从低频到高频不断进行变化的, 可以更好地突出信号局部特征。其他采样信号与该信号的处理方式相同。图 1 一级连杆大头轴瓦间隙大特征信号 下载原图图 2 一级连杆大头轴瓦间隙大特征信号由 EMD 分解得到的 IMF 分量 下载原图在不同故障状态下, 采集 5 组试验数据。对采集的一、二级十字头处信号进行EMD 分解, 得到一系列 IMF 分量。计算前 4 个 IMF 分量
15、信息熵, 并重新排列组合, 见表 14。表中, IMF1, IMF2, IMF3, IMF4 代表一级十字头分量;IMF1, IMF2, IMF3, IMF4代表二级十字头分量。表 1 一级连杆大头 IMF 分量 下载原表 表 2 二级连杆大头 IMF 分量 下载原表 表 3 一级连杆小头 IMF 分量 下载原表 表 4 二级连杆小头 IMF 分量 下载原表 由表 1 到表 4 可知, 压缩机轴承在不同故障状态下的信息熵值存在微小差别, 为更进一步找到故障种类, 本文将不同故障状态下的熵值作为 SVM 测试数据, 建立 SVM 网络。在训练过程中, 惩罚参数 c 及核函数 g 都能显著影响 S
16、VM 分类结果。惩罚参数 c 代表系统学习能力, 可调节置信区间和经验风险比例, 核函数 g 代表样本在高维空间中分布的复杂程度, 影响映射关系。本文采用 Cross Validation 方法, 探索惩罚参数 c 与核函数 g 的最佳组合, 即在保证分类准确的同时, 选择惩罚参数 c 最小的 c&g 组合, 并利用 libsvm 工具箱中自带的参数寻优函数 SVMcg ForRegress.m 进行参数优化, 最终确定最佳组合为 c=0.2 和g=2.624 9。SVM 网络经训练后, 再次选择 25 组样本进行试验, 以验证 SVM 的可靠性, 分类结果如图 3 所示。图 3 故障诊断结果
17、 下载原图综上所述, SVM 网络可对一、二级连杆大头轴瓦间隙大, 一、二级连杆小头轴瓦间隙大等故障类型进行识别, 准确率高达 96%, 由此证明了 SVM 分类器的可靠性, 同时也说明其具备良好的识别能力, 能对小样本故障问题进行准确诊断, 具有良好的应用前景。3 结束语由于压缩机故障种类较多, 且文中所涉及的压缩机轴承在发生故障时, 往往是多个故障同时发生, 因此本文更倾向单一往复压缩机轴承故障的诊断分析。基于 EMD 信息熵和支持向量机的往复压缩机轴承故障诊断是对现有往复压缩机故障诊断相关理论的典型应用研究, 对往复压缩机故障诊断有一定指导作用, 但也存在较大的局限性, 需要应用其他相关
18、故障诊断技术进行理论分析, 因而后续工作将开展模糊诊断技术、人工智能型诊断技术、专家系统诊断技术等方面的研究。参考文献1刘洪涛.离心式压缩机的结构设计探析J.冶金丛刊, 2017 (4) :135-136. 2王金东, 代梅, 夏法锋, 等.基于 EMD 信息熵和支持向量机的往复压缩机轴承故障诊断J.流体机械, 2014, 42 (7) :43-46. 3杜必强, 孙立江.基于 EMD 和小波熵阈值算法的超声回波信号降噪J.中国测试, 2017, 43 (1) :101-105. 4卿川, 王海宝, 傅余, 等.基于 EMD 与匹配追踪的轴承故障诊断J.现代机械, 2017 (1) :23-26. 5张智胜, 张云鹏, 刘青.支持向量机和小波包分析下的轴承故障诊断J.机械设计与制造, 2017 (3) :204-207.
