基于谐波小波包和BP神经网络的滚动轴承声发射故障模式识别技术_赵元喜(1)

信号分解到各个频段,将提取的各频段能量作为特征向量输入神经网络,实现滚动轴承的故障识别。[5]振动与冲击第29卷第10期JOURNALOFVIBRATIONANDSHOCKVo.l29No.102010基于谐波小波包和BP神经网络的滚动轴承声发射故障模式识别技术赵元喜,胥永刚,高立新,崔玲丽(北京工业大学北京市先进制造技术重点实验室,北京100124)摘要:由于滚动轴承声发射信号在各频段的能量分布与轴承的故障类型相关,可以利用谐波小波包将不同故障滚动轴承的声发射信号分解到不同频段,进而将各频段的能量组成特征向量输入BP神经网络,通过神经网络判别滚动轴承的故障类型。利用神经网络对滚动轴承进行故障识别时,对谐波小波包和Daubechies小波包进行了比较。实验结果表明对于滚动轴承声发射信号的故障模式识别,将谐波小波包分解和BP神经网络相结合的方法可以获得良好的效果。关键词:滚动轴承;声发射;谐波小波包;神经网络;故障模式识别中图分类号:TH17;O235文献标识码:A滚动轴承是机械设备中应用最为广泛的部件之一[1],其运转状态是否良好会直接影响到设备的性能和生产安全,无论从安全角度,还是从经济利益出发,对滚动轴承故障诊断技术的研究工作都具有十分重大数即为谐波小波。w(t)=[exp(i4’t)-exp(i2’t)]/i2’t(1)根据小波理论,对j,kCZ,通过伸缩、平移,生成谐波小波函数族:jj的意义。滚动轴承的故障检测,传统的方法大多是进行振动分析,但在许多情况下,如故障发生的早期、低速旋转等,含有故障特征的振动信号十分微弱,容易被周围相对幅度较大的低频环境噪声信号所淹没,导致无法有效检测出故障隐患[2]。而准确地提取滚动轴承故障信息是设备故障确诊的前提[3]。声发射是结构缺陷本身发出的高频应力波信号,其频谱较宽,其高频特性可以有效抑制干扰,不易受周围环境噪声的影响[4],利用声发射检测技术对滚动轴承进行检测和分析判断,可及时发现滚动轴承的各种故障,保障设备的正常运转。另外,利用声发射可检测动态性缺陷,对大型构件可提供整体或局部快速检测,对被检件的接近程度要求不高。研究声发射检测技术对生产企业有着重要现实意义。w(2t-k)=[exp(i4’(2t-k))-exp(i2’(2jt-k))]/[i2’(2jt-k)](2)以谐波小波作为基函数系可以将信号既不交叠、又无遗漏的分解到相互独立的空间,实现将信号分解到不同频段,从而将故障信息从强烈的噪声背景中分离出来,有利于更好的提取故障特征。1▪2广义谐波小波为使分析频带的选取更加灵活,对于式(1)定义的谐波小波,引入正实数m,n(mn),考虑频带±=[2’m,2’n],则广义化的谐波小波为[6]:wm,n(t)=[exp(i2’tn)-exp(i2’tm)]/i2’(n-m)t(3)给定步长k/(n-m),(kCZ),作平移变换,则式(3)成为:本文对滚动轴承几种常见点蚀故障的声发射信号进行分析,利用谐波小波包方法将滚动轴承的声发射wm,nt-kn-mexpim2’t-k=expin2’t-kn-mi2’(n-m)t-k-(4)n-mn-m1谐波小波变换1▪1谐波小波的概念谐波小波是剑桥大学的DavidE.Newland于1993年构造出的一种具有严格矩形频谱特性的小波,具有优良的滤波特性[5]。谐波小波分解算法通过信号的快速傅里叶变换及其逆变换来实现。式(1)所定义的函基金项目:国家自然科学基金项目(50705001,50805001);北京市教委科技计划项目(KM200910005007);国家高技术研究发展计划(863计划,2009AA04Z417)收稿日期:2009-05-25修改稿收到日期:2009-07-29第一作者赵元喜男,硕士生,1981年11月生这就是分析频率带宽为(n-m)2’,分析时间中心在t=k/(n-m)处的广义谐波小波的一般形式。通过调整参数m,n,可对信号的所选频段[m,n]2x进行广义谐波小波分析,从而较好地实现信号的滤波。2谐波小波包谐波小波分解同其它小波分解类似,进行频域分析时,低频段的细化能力好,高频段的分辨能力差,而实际应用时,往往希望提高高频段信号的频率分辨率。其不同之处在于对滤出的高频部分也同样进行分解。由广义谐波小波的定义式可知,参数m和n的值决定了小波函数带宽和频带的位置。通过调整广义谐小波包分解是比小波分解更为精细的一种分析方法,第10期赵元喜等:基于谐波小波包和BP神经网络的滚动轴承声发射故障模式识别技术1632xjk提取能量特征:20kHz-300kHz之间。波小波函数式中的m、n值来调节谐波小波的带宽和中心频率,则在任意分解层上均能在整个分析频域内得到某一个频段的分析结果,实现谐波小波包变换。谐波小波包分解可以将信号正交、无冗余、无泄漏地分解到相互独立的频段上,并且保证了高频段和低频段具有同样高的频率分辨率[7]。3BP神经网络人工神经网络是由大量的人工神经元相互连接而[8](5)轴承故障识别验证:用检验样本检验网络识4实验研究4▪1实验方案利用图1所示的滚动轴承实验台模拟轴承的工作状态,实验台、两处各安装一个6307滚动轴承,处安装正常轴承,处安装模拟故障轴承。由三相异步电机通过挠性联轴器带动装有转盘¼的转轴旋成的非线性动力系统,可模仿人脑的智慧进行信息转,电机转速为1496r/min。利用SAEU2声发射采集处理。BP神经网络是对非线性可微分函数进行权值训练的多层人工神经网络,具有良好的自学习和分类能力,可以用在故障诊断中识别故障类型[9]。它由输入层、隐层、输出层组成,隐层可以有多层[10]。利用BP神经网络进行滚动轴承声发射信号故障识别的实现方案如下:仪和笔记本电脑采集声发射数据。实验分四次进行,分别对应四种不同故障模式轴承:a(正常),b(内圈点蚀),c(外圈点蚀),d(内外圈滚动体点蚀)。采样频率为2500kHz,采样点数为2048。(1)利用小波包分解将声发射信号分解到各个频段,提取各频段能量特征;(2)数据归一化:将提取到的能量特征向量进行归一化处理;(3)建立神经网络模型:确定网络层数及各层节点数目;(4)训练网络:用归一化后的特征向量组成网络别网络;图1滚动轴承试验台Fig.1RollerbearingtestrigMotorCouplingBearingA¼ImbalancediscBearingB4▪2特征向量提取图2所示为四种模式滚动轴承的声发射信号频谱图。图2声发射信号频谱图Fig.2Frequencyspectrumofacousticemissionsignals从频谱图中可以看出,由滚动轴承故障引发的声发射信号频率一般在对采集到的声发射信号进行5层谐波小波包分nEj=k=1式中j=0,1,…7;n表示采样点数。(5)解,将分析频率分解为32个频带,每个频带带宽为39062.5Hz。由频谱图可知声发射信号的主要频率分量集中在前8个频段上,所以保留小波包分解后的前8个频段,即[0Hz,39062.5Hz]、[39062.5Hz,78125Hz]、[78125Hz,117187.5Hz]、[117187.5Hz,156250Hz]、[156250Hz,195312.5Hz]、[195312.5Hz,234375Hz]、[234375Hz,273437.5Hz]、[273437.5Hz,312500Hz]。对这8个频段的信号分别求能量:以这8个频段分别对应的能量值为元素可以构成一个特征向量:T=[E0,E1,E2,E3,E4,E5,E6,E7]为归纳统一样本的统计分布性和加快训练网络的收敛性,对特征向量进行归一化处理,7E=Ej(6)j=0T’=[E0/E,E1/E,E2/E,E3/E,E4/E,E5/E,E6/E,E7/E]归一化后的特征向量:学习样本集对BP神经网络进行训练,确定权值和阈值,训练后的网络就是滚动轴承的声发射信号故障识别滚动轴承故障的能力。用检验样本检验训练好的BP神经网络,用于网络发射信号在不同频段的能量分布存在差异,征向量作为BP神经网络的训练和检验样本,检验样本类型检验样本数目误判数目识别准确率本次实验对每种故障模式提取60组特征向量,其正常100100%中50组用于神经网络训练,10组用于检验神经网络的内圈点蚀100100%识别能力。外圈点蚀10370%序号故障类型理想输出1正常10002内圈点蚀01003外圈点蚀00104内外圈滚动体点蚀0001200个。从图4所示训练误差变化曲线可以看出Lev-正常10640%enberg-Marquardt算法具有较快的收敛速度,经过63步内圈点蚀10370%网络达到要求。训练后的BP神经网络就是滚动轴承外圈点蚀10730%164振动与冲击2010年第29卷归一化后的特征向量的各元素为0~1之间的数。图3所示为对四种故障模式滚动轴承声发射信号分别进行5层谐波小波包分解后得到的前8个频段声发射能量分布图。可以看出,不同故障模式轴承的声因此可将声发射能量特征向量作为神经网络的输入向量,对轴承故障类型进行识别。图3滚动轴承声发射能量分布图Fig.3Energydistributionofbearingacousticemission检验的样本数为4×10=40个。故障模式识别结果如表2所示。图4BP网络训练误差变化曲线Fig.4CurveofBPnetworktrainingerror表2谐波小波包结合神经网络故障模式识别结果Tab.2Recognitionrateofbearingfaultusingharmonicwaveletpacket(HWP)andneuralnetwork4.3建立网络模型实验采用3层BP神经网络结构,设计网络输入节点数为8,分别对应轴承声发射信号8个频段的能量特征向量,隐层数为1层,隐层节点数为9,输出层节点数为4,对应轴承的4种故障模式,如表1所示。表1滚动轴承故障模式Tab.1Modeofbearingfault内外圈滚动体点蚀100100%总识别准确率:92.5%可见利用谐波小波包提取滚动轴承声发射能量特可以达到92.5%的识别准确率。作为对比,同时利用db10小波包对声发射信号进行5层分解,提取能量特征向量对同样结构的BP神经网络进行训练与检验。图5所示为对四种模式滚动轴承声发射信号分别进行5层db10小波包分解后得到的前8个频段声发射能量分布图,设定训练步数为1000,训练目标误差为0.01,采用LevenbergMarquardt算法对BP神经网络进行训练。4.4训练网络初步建立网络模型后,将训练样本输入神经网络,对网络进行训练。用于网络训练的样本数为4×50=故障模式识别结果如表3所示。表3db10小波包结合神经网络故障模式识别结果Tab.3Recognitionrateofbearingfaultusingdb10waveletpacket(DWP)andneuralnetwork检验样本类型检验样本数目误判数目识别准确率的声发射故障识别网络。4.5检验网络内外圈滚动体点蚀10460%总识别准确率:50%波小波包分解明显。对比图3可以看出,db10小波包分解后不同模式轴承声发射信号在各频段能量分布的差异程度显然不如谐第10期赵元喜等:基于谐波小波包和BP神经网络的滚动轴承声发射故障模式识别技术165图5滚动轴承声发射能量分布图Fig.5Energydistributionofbearingacousticemission图6故障识别准确率比较Fig.6ThecomparisonoftheaveragingrecognitionratesofHWPandDWP图6为分别使用两种小波包提取特征向量的网络识别结果比较。可以看出,利用谐波小波包提取能量特征向量作为输入样本的BP神经网络对四种模式滚动轴承故障的识别准确率都远高于db10小波包,这是因为谐波小波的矩形频谱特性使其具有优良的滤波效果,可以将信号无交叠、无遗漏的分解到不同的频段,因此