本發(fā)明涉及一種利用特征信號進(jìn)行建模和分類的故障診斷方法，具體涉及一種基于EEMD和RBF神經(jīng)網(wǎng)絡(luò)的高速列車滾動軸承故障診斷方法。

背景技術(shù)：

滾動軸承作為高速列車的重要部件之一，其狀態(tài)好壞對列車安全運(yùn)行至關(guān)重要。增速增載是世界各國鐵路發(fā)展的趨勢，而擁有牽引力十足的列車是提高速度、加大運(yùn)量的前提，此時作為高速列車重要部件之一的滾動軸承值得更多的關(guān)注。作為機(jī)械易損件的滾動軸承，一個顯著的特點是壽命離散性大，故障原因復(fù)雜。滾動軸承在實際應(yīng)用中，有的使用時間遠(yuǎn)沒有達(dá)到設(shè)計壽命卻出現(xiàn)各種故障，有的遠(yuǎn)超過設(shè)計壽命卻仍然能正常工作。因此為了預(yù)防軸承故障，監(jiān)測軸承的運(yùn)轉(zhuǎn)狀態(tài)十分有必要。

目前，對軸承故障的診斷大多是分析其振動信號，而振動信號具有非線性、非平穩(wěn)性等特征。EEMD是一種噪聲輔助數(shù)據(jù)處理方法，適合于分析處理非線性、非平穩(wěn)信號，利用它可獲取充分表達(dá)信號特征的信息?；赗BF神經(jīng)網(wǎng)絡(luò)的軸承故障診斷比BP神經(jīng)網(wǎng)絡(luò)診斷準(zhǔn)確性高、速度更快，而且不易出現(xiàn)局部極小值，更適合于進(jìn)行軸承的故障診斷。

技術(shù)實現(xiàn)要素：

本發(fā)明針對現(xiàn)有技術(shù)構(gòu)建模型速度不快，故障識別準(zhǔn)確率不高的缺陷，提供一種高速列車滾動軸承故障診斷方法。它可以為高速列車滾動軸承故障診斷和狀態(tài)監(jiān)測研究提供一種新的思路，也為列車的性能和行車安全提供進(jìn)一步保證。

本發(fā)明針對現(xiàn)有技術(shù)的不足，提供一種

為了實現(xiàn)上述目的，本發(fā)明采用了以下技術(shù)方案：

一種高速列車滾動軸承故障診斷方法，包括以下步驟：

I、故障診斷模型的建立

步驟1：將軸承分為正常軸承、滾動體故障軸承、外圈故障軸承和內(nèi)圈故障軸承四種狀態(tài)類型，對以上四種狀態(tài)類型的軸承，每種分別采集若干組原始振動信號；

步驟2：EEMD故障特征向量構(gòu)造

1)利用EEMD方法對每組原始振動信號進(jìn)行分解，選取分解得到的前a個IMF分量，并分別求出每一個分量的能量E_i；

式中，C_it是第i個IMF分量，i＝1，2，3，L，a，C_i是離散點的幅值，n為采樣點個數(shù)，

2)求每組原始振動信號的各個IMF分量的能量總和E；

3)由于不同狀態(tài)軸承所受的振動幅度相差較大，使每個IMF分量數(shù)值相差也較大，所以對能量進(jìn)行歸一化處理，即將每一個IMF分量的能量與總能量求比值，得一組原始振動信號的能量特征向量T；

T＝E₁/E，E₂/E,L，E_a/E

步驟3：RBF神經(jīng)網(wǎng)絡(luò)建模

1)確定RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

雖然增加隱藏層神經(jīng)元的數(shù)量可以提高RBF神經(jīng)網(wǎng)絡(luò)的非線性映射能力，但神經(jīng)元數(shù)量太多會降低網(wǎng)絡(luò)預(yù)測性能，所以采用單隱藏層的三層RBF神經(jīng)網(wǎng)絡(luò)，

2)確定輸入層的節(jié)點數(shù)

將能量特征向量T作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，因此輸入層的節(jié)點數(shù)M＝a，

3)確定輸出層的節(jié)點數(shù)

理想的輸出結(jié)果應(yīng)能直接看出故障的分類，所以采用3個二進(jìn)制碼，即輸出層的節(jié)點數(shù)為3，見表1，

4)確定隱藏層的節(jié)點數(shù)，確定RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目標(biāo)精度和徑向基函數(shù)的分布密度SPREAD，

5)從每種軸承狀態(tài)的原始振動信號中選取b組作為訓(xùn)練樣本，其余作為測試樣本，將訓(xùn)練樣本作為RBF神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練，訓(xùn)練達(dá)到步驟4)設(shè)定的目標(biāo)精度后，得到初步RBF神經(jīng)網(wǎng)絡(luò)診斷模型，然后將測試樣本作為RBF神經(jīng)網(wǎng)絡(luò)診斷初步模型的輸入，對測試樣本軸承的狀態(tài)進(jìn)行識別，

6)初步模型的性能評價

首先根據(jù)測試樣本的識別結(jié)果計算識別誤差，當(dāng)識別誤差在接受范圍之內(nèi)時，認(rèn)為識別結(jié)果正確，反之認(rèn)為識別結(jié)果錯誤；然后計算故障識別率Q，Q＝正確識別數(shù)目/總實驗軸承 數(shù)目，由故障識別率Q來衡量RBF神經(jīng)網(wǎng)絡(luò)性能優(yōu)劣，若故障識別率Q達(dá)到理想標(biāo)準(zhǔn)，即得到RBF神經(jīng)網(wǎng)絡(luò)診斷最終模型，并用于步驟II未知狀態(tài)的軸承故障診斷，否則，返回步驟5)，重新選擇訓(xùn)練樣本和測試樣本，進(jìn)行訓(xùn)練和測試，

II、診斷軸承故障類型

采集未知狀態(tài)的待診斷軸承的原始振動信號，并作為RBF神經(jīng)網(wǎng)絡(luò)診斷最終模型的輸入，由最終模型的輸出與軸承故障輸出形式比較確定軸承的狀態(tài)。

所述EEMD方法具體分解步驟如下：

(1)在待分解信號R(t)中加入頻譜均勻分布的白噪聲a_m(t)，得到信號S(t)；

(2)對信號S(t)進(jìn)行EMD，分解過程如下；

1)確定信號S(t)上的所有局部極值點，上、下兩條包絡(luò)線是用三次樣條曲線分別將所有的局部極大值點和局部極小值點聯(lián)結(jié)起來而得到的，即s(t)_max和S(t)_min；

2)求每個時刻的上下包絡(luò)的平均值，即

3)得到新信號

Y₁(t)＝S(t)-u(t)

判斷是否對稱于局部零均值，并且有相同的極值點與過零點，如果是，記為C₁(t)，即為第一個IMF分量，否則重復(fù)步驟1)和2)；

4)將C₁(t)從S(t)中分離出來，得到一個差值信號V₁(t)，

V₁(t)＝S(t)-C₁(t)

5)將V₁(t)作為原始數(shù)據(jù)，重復(fù)步驟1)～3)得到IMF2，重復(fù)n次得到n個IMF分量，于是有

當(dāng)V_n(t)符合給定的終止條件時，終止條件即V_n(t)為單調(diào)函數(shù)，循環(huán)結(jié)束，

由Y₁(t)和V₁(t)可得到

即原始信號被表示為本征模函數(shù)分量和一個殘余函數(shù)V_n(t)的和，各分量C₁(t)，C₂(t)，…C_n(t)分別涵蓋了原始信號中從高到低不同頻率段的信息，且隨信號自身的改變而改變，

(3)每次加入不同白噪聲后重復(fù)過程(1)和(2)；

(4)將多次分解后的各IMF分量的集成均值C_i作為最終結(jié)果，

與現(xiàn)有技術(shù)相比較，本發(fā)明具備的有益效果：

本專利提供了一種基于EEMD和RBF神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法，通過該方法能精確識別正常軸承、滾動體故障、外圈故障和內(nèi)圈故障等4種軸承狀態(tài)，為提高高速列車滾動軸承故障診斷的準(zhǔn)確性和實時性提供了新思路，也為列車的性能和行車安全提供了進(jìn)一步保證。

附圖說明

圖1是EEMD算法的具體流程。

圖2是RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

圖3是列車滾動體故障軸承的原始信號圖。

圖4是列車滾動體故障軸承的EEMD分解圖。

圖5是列車滾動體故障軸承歸一化后的能量特征向量圖。

圖6是RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程圖。

具體實施方式

下面結(jié)合具體實施方式對本發(fā)明進(jìn)行詳細(xì)說明。

實施例1 本實施例在Matlab R2010a軟件完成。

一種高速列車滾動軸承故障診斷方法，包括以下步驟：

I、故障診斷模型的建立

步驟1：將軸承分為正常軸承、滾動體故障軸承、外圈故障軸承和內(nèi)圈故障軸承四種狀態(tài)類型，對以上四種狀態(tài)類型的軸承，每種分別采集若干組原始振動信號，

本實施例具體方法如下：首先使用電火花加工技術(shù)在滾動軸承上布置了滾動體故障、外圈故障和內(nèi)圈故障，故障直徑均為0.018厘米，在采樣頻率為1.2KHz，軸承轉(zhuǎn)速為1797r/min的工況下，采用加速度傳感器采集振動信號，通過16通道的DAT記錄器采集。數(shù)據(jù)共采用40組，即正常軸承，滾動體故障軸承，外圈故障軸承，內(nèi)圈故障軸承各10組，以滾動體故障軸承數(shù)據(jù)為例，采樣點數(shù)為12000個，原始信號波形如圖3所示。

步驟2：EEMD故障特征向量構(gòu)造

1)利用EEMD方法對每組原始振動信號進(jìn)行分解，選取分解得到的前a個IMF分量，本實施例a＝8，如圖4所示，并分別求出每一個分量的能量E_i；

式中，C_i(t)是第i個IMF分量，i＝1，2，3，L，a，C_i是離散點的幅值，n為采樣點個數(shù)，

2)求每組原始振動信號的各個IMF分量的能量總和E；

3)由于不同狀態(tài)軸承所受的振動幅度相差較大，使每個IMF分量數(shù)值相差也較大，所以對能量進(jìn)行歸一化處理，即將每一個IMF分量的能量與總能量求比值，得一組原始振動信號的能量特征向量T，如圖5所示；

T＝[E₁/E，E₂/E,L，E_a/E]

重復(fù)步驟2的1)～4)對每一組數(shù)據(jù)分別進(jìn)行EEMD，從而得到40組對應(yīng)不同狀態(tài)軸承的能量特征向量。

步驟3：RBF神經(jīng)網(wǎng)絡(luò)建模

1)確定RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

雖然增加隱藏層神經(jīng)元的數(shù)量可以提高RBF神經(jīng)網(wǎng)絡(luò)的非線性映射能力，但神經(jīng)元數(shù)量太多會降低網(wǎng)絡(luò)預(yù)測性能，所以采用單隱藏層的三層RBF神經(jīng)網(wǎng)絡(luò)，

2)確定輸入層的節(jié)點數(shù)

將能量特征向量T作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，因此輸入層的節(jié)點數(shù)M＝8，

3)確定輸出層的節(jié)點數(shù)

理想的輸出結(jié)果應(yīng)能直接看出故障的分類，所以采用3個二進(jìn)制碼，即輸出層的節(jié)點數(shù)為3，見表1，

表1 軸承故障輸出形式

4)確定隱藏層的節(jié)點數(shù)，確定RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目標(biāo)精度和徑向基函數(shù)的分布密度SPREAD，

本實施例采用法經(jīng)驗和試驗結(jié)合的方法，對4∶24內(nèi)的不同節(jié)點個數(shù)進(jìn)行逐個嘗試，選取性能最優(yōu)的節(jié)點數(shù)目22作為模型的隱節(jié)點個數(shù)，同時，將RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目標(biāo)設(shè)定為10^-5，徑向基函數(shù)的分布密度SPREAD取默認(rèn)值1，

5)從每種軸承狀態(tài)的原始振動信號中選取b組作為訓(xùn)練樣本，其余作為測試樣本，將訓(xùn)練樣本作為RBF神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練，訓(xùn)練達(dá)到步驟4)設(shè)定的目標(biāo)精度后，得到初步RBF神經(jīng)網(wǎng)絡(luò)診斷模型，然后將測試樣本作為RBF神經(jīng)網(wǎng)絡(luò)診斷初步模型的輸入，對測試樣本軸承的狀態(tài)進(jìn)行識別，

本實施例中，從每種軸承狀態(tài)中選取6組作為訓(xùn)練樣本，4組作為測試樣本，因此四種軸承狀態(tài)共24組訓(xùn)練樣本，其余為測試樣本，將這24組訓(xùn)練樣本作為RBF神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練，RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程如圖6所示，只需經(jīng)過18步訓(xùn)練已達(dá)到設(shè)定精度，得到初步RBF神經(jīng)網(wǎng)絡(luò)診斷模型，然后將余下的16個測試樣本作為RBF神經(jīng)網(wǎng)絡(luò)診斷初步模型的輸入，對測試樣本軸承的狀態(tài)進(jìn)行識別，

6)初步模型的性能評價

首先根據(jù)測試樣本的識別結(jié)果計算識別誤差，當(dāng)識別誤差在接受范圍之內(nèi)時，認(rèn)為識別結(jié)果正確，反之認(rèn)為識別結(jié)果錯誤；然后計算故障識別率Q，Q＝正確識別數(shù)目/總實驗軸承數(shù)目，由故障識別率Q來衡量RBF神經(jīng)網(wǎng)絡(luò)性能優(yōu)劣，若故障識別率Q達(dá)到理想標(biāo)準(zhǔn)，即得到RBF神經(jīng)網(wǎng)絡(luò)診斷最終模型，并用于步驟II未知狀態(tài)的軸承故障診斷，否則，返回步驟5)，重新選擇訓(xùn)練樣本和測試樣本，進(jìn)行訓(xùn)練和測試，

本實施例采用1，2，3和4分別表示正常軸承，滾動體故障軸承，外圈軸承和內(nèi)圈軸承，RBF神經(jīng)網(wǎng)絡(luò)輸出結(jié)果后計算識別誤差ε，本實施例規(guī)定若|ε|≤0.5，說明識別結(jié)果正確，反之識別結(jié)果錯誤，EEMD結(jié)合RBF神經(jīng)網(wǎng)絡(luò)診斷結(jié)果如表2所示，可知RBF神經(jīng)網(wǎng)絡(luò)診 斷初步模型識別輸出結(jié)果與目標(biāo)測試輸出結(jié)果十分接近，由此可知該軸承故障診斷模型能精確識別軸承故障類型，

進(jìn)一步的，對每種測試軸承類型進(jìn)行統(tǒng)計并求取模型的故障識別率，經(jīng)計算正常軸承、滾動體故障、外圈故障、內(nèi)圈故障的正確識別率都為100％，所以總識別率為100％，因此可以清晰地說明EEMD結(jié)合RBF神經(jīng)網(wǎng)絡(luò)模型用于滾動軸承的故障診斷，模型分類識別效果很理想，即可以作為RBF神經(jīng)網(wǎng)絡(luò)診斷最終模型，

II、診斷軸承故障類型

采集未知狀態(tài)的待診斷軸承的原始振動信號，并作為RBF神經(jīng)網(wǎng)絡(luò)診斷最終模型的輸入，由最終模型的輸出與軸承故障輸出形式比較確定軸承的狀態(tài)，經(jīng)比較本實施能夠正確診斷軸承故障類型。

表2 EEMD結(jié)合RBF神經(jīng)網(wǎng)絡(luò)故障診斷

為了驗證本發(fā)明方法比其他方法更優(yōu)，分別采用EMD和EEMD兩種方法分別提取不同狀態(tài)軸承數(shù)據(jù)的特征向量，然后分別建立了EMD和BP、EMD和RBF、EEMD和BP和EEMD和RBF四種軸承故障診斷模型，通過利用提取的特征向量進(jìn)行軸承故障診斷的分類識別，仿真結(jié)果如表3所示。由表可知，EEMD方法在故障特征向量提取上比EMD有優(yōu)勢；BP神經(jīng)網(wǎng)絡(luò)不適合于大量數(shù)據(jù)的快速建模，訓(xùn)練收斂速度慢。而RBF神經(jīng)網(wǎng)絡(luò)模型精度更高，比BP神經(jīng)網(wǎng)絡(luò)更適合于軸承故障的模式識別。因此EEMD和RBF方法在列車滾動軸承故障診斷上有其獨有的優(yōu)勢。

表3 四種軸承故障診斷模型的結(jié)果對比

結(jié)論

1)針對EMD方法在軸承故障診斷中存在模態(tài)混疊等問題，提出了EEMD方法，該方法能更加精確地獲取軸承振動信號的IMF能量，作為不同狀態(tài)軸承的特征向量。

2)仿真結(jié)果表明，本發(fā)明是一種具有良好性能的非線性逼近網(wǎng)絡(luò)，能十分準(zhǔn)確地識別軸承故障類型。網(wǎng)絡(luò)訓(xùn)練過程中，在相同期望誤差平方和與相等的輸入節(jié)點、輸出節(jié)點的條件下，本發(fā)明的收斂速度明顯高于BP神經(jīng)網(wǎng)絡(luò)，不僅縮短了樣本的學(xué)習(xí)時間和降低了復(fù)雜度，而且不易出現(xiàn)局部極小值。

3)通過對比分析可知，采用本發(fā)明對列車滾動軸承進(jìn)行故障診斷是可行的，而且本發(fā)明比BP神經(jīng)網(wǎng)絡(luò)診斷效率高且更準(zhǔn)確，更適合于進(jìn)行故障診斷。

因此本文提出的方法不僅可用于滾動軸承故障診斷，也完全可應(yīng)用于齒輪箱、大型旋轉(zhuǎn)設(shè)備等的故障診斷，具有十分廣泛的應(yīng)用前景。

EEMD全稱為Ensemble Empirical Mode Decomposition(集合經(jīng)驗?zāi)B(tài)分解)，是EMD(經(jīng)驗?zāi)７纸?的改進(jìn)算法，EMD方法是根據(jù)振動信號自身的時間尺度特征來進(jìn)行分解且事先不需設(shè)定任何基函數(shù)，但該方法存在模態(tài)混疊缺陷，EEMD方法能夠很好的克服上述缺陷，有效的解決了EMD的混頻現(xiàn)象。所述EEMD方法具體分解步驟如下：

(1)在待分解信號R(t)中加入頻譜均勻分布的白噪聲a_m(t)，得到信號S(t)；

(2)對信號S(t)進(jìn)行EMD，分解過程如下；

1)確定信號S(t)上的所有局部極值點，上、下兩條包絡(luò)線是用三次樣條曲線分別將所有的局部極大值點和局部極小值點聯(lián)結(jié)起來而得到的，即S(t)_max和S(t)_min；

2)求每個時刻的上下包絡(luò)的平均值，即

3)得到新信號

Y₁(t)＝S(t)-u(t)

判斷是否對稱于局部零均值，并且有相同的極值點與過零點，如果是，記為C₁(t)，即為第一個IMF分量，否則重復(fù)步驟1)和2)；

4)將C₁(t)從S(t)中分離出來，得到一個差值信號V₁(t)，

V₁(t)＝S(t)-C₁(t)

5)將V₁(t)作為原始數(shù)據(jù)，重復(fù)步驟1)～3)得到IMF2，重復(fù)n次得到n個IMF分量，于是有

當(dāng)V_n(t)符合給定的終止條件時，終止條件即V_n(t)為單調(diào)函數(shù)，循環(huán)結(jié)束，

由Y₁(t)和V₁(t)可得到

即原始信號被表示為本征模函數(shù)分量和一個殘余函數(shù)V_n(t)的和，各分量C₁(t)，C₂(t)，···C_n(t)分別涵蓋了原始信號中從高到低不同頻率段的信息，且隨 信號自身的改變而改變，

(3)每次加入不同白噪聲后重復(fù)過程(1)和(2)；

(4)將多次分解后的各IMF分量的集成均值C_i作為最終結(jié)果，

徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)是三層前饋型神經(jīng)網(wǎng)絡(luò)，由輸入層、隱藏層和輸出層組成，如圖2所示。由輸入層到輸出層的映射是非線性的，而隱藏層到輸出層的映射是線性的。RBF神經(jīng)網(wǎng)絡(luò)的本質(zhì)是：使低維空間內(nèi)的線性不可區(qū)分問題在高維空間內(nèi)線性可區(qū)分。基函數(shù)的方差、基函數(shù)的中心和隱藏層到輸出層的權(quán)值是RBF神經(jīng)網(wǎng)絡(luò)算法需求解的參數(shù)，RBF神經(jīng)網(wǎng)絡(luò)中最常用的徑向基函數(shù)是高斯函數(shù)，因此RBF神經(jīng)網(wǎng)絡(luò)的激活函數(shù)可以表示為：

式中，X_m為輸入變量；σ為高斯函數(shù)的方差；||X_m-c_i||為歐式范數(shù)；c_i為高斯函數(shù)的中心。

由圖2所示的RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可獲得的網(wǎng)絡(luò)輸出為：

式中，ω_ij為隱藏層到輸出層的連接權(quán)值；i＝1，2，L，N為隱藏層節(jié)點數(shù)；y_j為與輸入網(wǎng)絡(luò)對應(yīng)的第j個節(jié)點的輸出網(wǎng)絡(luò)。