基于支持向量數據描述方法的滾動軸承故障診斷方法研究 摘要 機械故障診斷實質上是一個小樣本的模式識別問題。在實際工程應用中，故 障數據的缺乏一直是制約智能故障診斷技術發展的一個重要因素，使得傳統的智 能診斷技術諸如神經網絡等往往因訓練樣本數據的不足而不能取得理想的診斷效 果。 支持向量數據描述( s u p p o r tv e c t o rd a t ad e s c r i p t i o n ，s v d d ) 方法是一種在 統計學理論和傳統的支持向量機基礎上發展起來的單值分類方法，它能有效的解 決故障樣本數據缺乏的問題。s v d d 方法的基本思想是：通過在特征空間中尋求 一個最小容積的超球體，使得所有的或者絕大部分的目標樣本都被包含在該超球 體內，而非目標樣本盡可能都落在超球體外，從而達到將目標類樣本和非目標類 樣本分開的目的。s v d d 方法只需要一類樣本數據即可進行分類，這種方法具有 計算速度快、可有效處理小樣本、魯棒性強等優點。利用這種方法，僅依靠正常 運行時的振動信號就可以監測機器的運行狀態，判別機器是否存在故障。因此， s v d d 方法在工程應用中具有極高的實用價值，有望解決智能故障診斷中因故障 數據樣本缺乏而不能精準判定故障的問題。 本文的主要研究內容包括： ( 1 ) 核函數在s v d d 方法中有著十分重要的作用，本文對核函數進行了研 究。通過仿真實驗分析表明，使用高斯核函數時，s v d d 方法的檢測精度最高。 ( 2 ) 對l m d 方法和e m d 方法進行了對比研究。通過分析，l m d 方法在減 少迭代次數和降低端點效應方面要優于e m d 方法。 ( 3 ) 提出了一種基于s v d d 與l m d 奇異值的滾動軸承故障診斷方法，在實 際應用中，該方法能有效的對滾動軸承進行故障判定。 ( 4 ) 提出了一種基于s v d d 與l m d 包絡譜的滾動軸承故障診斷方法。利用 這種方法能有效地對滾動軸承的運行狀態進行監測，準確判定滾動軸承是否存在 故障。 關鍵詞：支持向量數據描述；滾動軸承；故障診斷；局部均值分解；包絡譜 i l 碩1 ：學位論文 a b s t r a c t m a c h i n ef a u l td i a g n o s i si sap r o b l e mo fp a t t e r nr e c o g n i t i o nw i t has m a l ls a m p l e e s s e n t i a l l y i nt h ee n g i n e e r i n ga p p l i c a t i o n s ，t h el a c ko ff a u l t d a t ai s a l w a y s a i m p o r t a n tf a c t o rt h a tr e s t r i c t st h ed e v e l o p m e n to fi n t e l l i g e n tf a u l td i a g n o s i sa n d m a k e su s u a ld i a g n o s em e t h o ds u c ha sa n nc a nn o te x p e c ta ni d e a lr e s u l t s u p p o r tv e c t o r d a t a d e s c r i p t i o n i sao n e c l a s sc l a s s i f i c a t i o nm e t h o dt h a t d e v e l o p e df r o mt h es t a t i s t i cl e a r n i n gt h e o r ya n ds u p p o r tv e c t o rm a c h i n e i tc a n e f f e c t i v e l ys o l v et h ep r o b l e mo fl a c ko ff a u l ts a m p l e sd a t a t h eb a s i ci d e ao fs v d d m e t h o di st of i n das u p e r - s p h e r ei nf e a t u r es p a c ea n dl i m i tt h ev o l u m eo ft h es p h e r et o b et h es m a l l e s tw h i c hi n c l u d e sa sp o s s i b l ea sm o r et a r g e td a t a ，i nt h es a m et i m e ， n o n t a r g e ts a m p l ed a t aa sf a ra sp o s s i b l ef a l lo nt h eh y p e rs p h e r ei nv i t r o ，t h u st h ea i m o fs e p a r a t i n gs a m p l eo ft h et a r g e ta n dn o n t a r g e ts a m p l e sc a nb ea c c o m p l i s h e d s v d d m e t h o dr e q u i r e so n l yo n ek i n do fs a m p l ed a t at oc l a s s i f y ；t h em e t h o dh a st h e a d v a n t a g eo fr a p i dc a l c u l a t i o n ，d e a l i n gw i t hf e wf a u l ts a m p l e s ，w e l lr o b u s t t h r o u g h t h i sm e t h o d ，w ec a nm o n i t o rm a c h i n ec o n d i t i o na n dd i s t i n g u i s ht h em a c h i n ei sf a u l to r n o tb yu s i n gn o r m a lc o n d i t i o ns i g n a l s t h e r e f o r e ，t h es v d dm e t h o dh a sv e r yh i g h p r a c t i c a lv a l u ei ne n g i n e e r i n ga p p l i c a t i o n sa n dc a ne x p e c t e dt os o l v et h ep r o b l e mt h a t l a c k i n go ff a u l ts a m p l ed a t ac a nn o td i s t i n g u i s ht h ef a u l ta c c u r a t e l y t h em a i nw o r ki sa sf o l l o w s ： 。 ( i ) k e r n e lf u n c t i o ni sv e r yi m p o r t a n tf o rs v d dm e t h o d r e s e a r c h i n go nt h e k e r n e lf u n c t i o ns h o w st h a tt h es v d dm e t h o dw h i c hu s e st h eg a u s s i a nk e r n e lf u n c t i o n h a st h eh i g h e s td e t e c t i o na c c u r a c y ( 2 ) ac o m p a r a t i v es t u d yo nt h el m dm e t h o da n de m d m e t h o d t h er e s u l ts h o w s ， l m dm e t h o disb e t t e rt h a nt h ee m dm e t h o di nr e d u c i n gt h en u m b e ro fi t e r a t i o n sa n d d e a l i n gw i t he n de f f e c tp r o b l e m ( 3 ) af a u l td i a g n o s i sa p p r o a c hf o rr o l l e rb e a r i n g sb a s e do ns v d dm e t h o da n d s i n g u l a rv a l u ed e c o m p o s i t i o nt e c h n i q u eo fl m d i sp r o p o s e d i np r a c t i c a la p p l i c a t i o n s ， t h em e h o dc a nb ea p p l i e dt ot h er o l l e rb e a r i n g sf a u l td i a g n o s i se f f e c t i v e l y ( 4 ) af a u l td i a g n o s i sa p p r o a c hf o rr o l l e rb e a r i n g sb a s e do ns v d dm e t h o da n d e n v e l o p es p e c t r u mo fl m di sp r o p o s e d u s i n g o ft h i sm e h o dc a nm o n i t o rt h e o p e r a t i o n a ls t a t u so ft h er o l l e rb e a r i n g se f f e c t i v e l ya n di d e n t i f yt h ef a u l to ft h er o l l e r b e a r i n g sa c c u r a t e l y i i i k e y w o r d s ：s u p p o r tv e c t o rd a t ad e s c r i p t i o n ；r o l l e rb e a r i n g ；f a u l td i a g n o s i s ；l o c a l m e a nd e c o m p o s i t i o n ；e n v e l o p es p e c t r u m i v 碩十學位論文 插圖索引 圖1 1 故障診斷流程圖1 圖1 2 支持向量數據描述二維空間模型圖示一6 圖2 1 滾動軸承結構示意圖9 圖2 2 滾動軸承故障診斷實驗臺簡圖、測點布置1 6 圖2 3 滾動軸承正常信號時域圖1 7 圖2 4 具有內圈故障的滾動軸承信號時域圖一1 7 圖2 5 具有外圈故障的滾動軸承信號時域圖一1 7 圖3 1 結構風險最小化示意圖1 9 圖3 2 最優分類面二維示意圖2 0 圖3 3 核函數方法原理圖2 8 圖3 4 線性核函數的測試效果3 0 圖3 5p 階多項核函數的測試效果3 0 圖3 6 高斯核函數的測試效果3 0 圖3 7 正常信號的時域圖信號圖一3 1 圖3 8 具有內圈故障的時域信號圖3 1 圖3 9 具有外圈故障的時域信號圖3 1 圖4 1 仿真信號的時域波形圖3 5 圖4 2 仿真信號經l m d 分解后得到的第一個分量p f l 3 6 圖4 3 仿真信號經l m d 分解后得到的第二個分量p f 2 3 6 圖4 4 仿真信號經l m d 分解后得到的殘差一3 6 圖4 5 分量p f l 的瞬時頻率3 6 圖4 6 分量p f l 的瞬時幅值3 7 圖4 7 分量p f 2 的瞬時頻率3 7 圖4 8 分量p f 2 的瞬時幅值3 7 圖4 9 仿真信號時域波形圖3 8 圖4 1 0 仿真信號l m d 和e m d 分解圖一3 8 圖4 1 ll m d 方法得到的第一個分量p f l 的瞬時頻率和瞬時幅值3 9 圖4 1 2e m d 方法得到的第一個分量i m f l 的瞬時頻率和瞬時幅值3 9 圖4 1 3l m d 方法得到的第二個分量p f 2 的瞬時頻率和瞬時幅值4 0 圖4 1 4e m d 方法得到的第二個分量i m f 2 的瞬時頻率和瞬時幅值一4 0 圖5 1 基于時域特征參數的s v d d 故障診斷框圖4 3 v i i 基于支持向量數據描述方法的滾動軸承故障診斷方法研究 圖5 2 基于時域特征的內圈故障信號測試分類圖一4 4 圖5 3 基于時域特征的外圈故障信號測試分類圖4 4 圖5 4 基于s v d d 和l m d 奇異值的滾動軸承故障診斷方法流程圖4 5 圖5 5 具有外圈故障的滾動軸承故障振動信號的l m d 分解結果一4 6 圖5 6 基于s v d d 和l m d 奇異值的外圈故障信號測試分類圖一4 6 圖5 7 基于s v d d 和l m d 奇異值的內圈故障信號測試分類圖4 7 圖5 8 具有外圈故障的滾動軸承故障振動信號的e m d 分解結果一4 8 圖5 9 基于s v d d 和e m d 奇異值的外圈故障信號測試分類圖4 8 圖5 1 0 基于s v d d 和e m d 奇異值的內圈故障信號測試分類圖4 9 圖5 1 1 基于s v d d 和l m d 包絡譜的故障診斷方法流程圖5 0 圖5 1 2 具有內圈故障的滾動軸承故障振動信號的l m d 分解結果5 0 圖5 1 3 經過l m d 分解后的前兩個p f 分量的包絡譜5 1 圖5 1 4 基于s v d d 和l m d 包絡譜的內圈故障信號測試分類圖5 1 圖5 1 5 基于s v d d 和l m d 包絡譜的外圈故障信號測試分類圖5 2 圖5 1 6 具有內圈故障的滾動軸承故障振動信號的e m d 分解結果5 2 圖5 1 7 經過e m d 分解后的前兩個i m f 分量的包絡譜5 3 圖5 1 8 基于s v d d 和e m d 包絡譜的內圈故障信號測試分類圖5 3 圖5 1 9 基于s v d d 和e m d 包絡譜的外圈故障信號測試分類圖5 4 v i i i 碩十學位論文 附表索引 表3 1 使用不同核函數的檢測精度3 1 表3 2 不同核函數在故障診斷實例中的檢測率3 2 表5 1 基于時域特征值的s v d d 方法的內、外圈故障信號s v d d 測試結果4 4 表5 2 基于s v d d 和e m d 奇異值方法的外、內圈故障信號s v d d 測試結果4 7 表5 3 基于s v d d 和e m d 奇異值方法的外、內圈故障信號s v d d 測試結果4 9 表5 4 基于s v d d 和l m d 包絡譜方法的內、外圈故障信號s v d d 測試結果5 2 表5 5 基于s v d d 和e m d 包絡譜方法的內、外圈故障信號s v d d 測試結果5 4 i x 碩上學位論文 1 1 機械故障診斷概述 第1 章緒論 隨著科技的飛速發展，現代設備日益自動化、高速化、集成化和精密化，人 們對機械設備的依賴程度越來越高。機械設備一旦發生故障，會給國家財產及人 民人身安全造成嚴重的威脅。例如，1 9 8 6 年4 月2 6 日，前蘇聯切爾諾貝利核電 機組發生故障導致大量發射線物質泄漏，導致數2 0 0 0 人死亡，經濟損失高達3 0 億美元。同時，因核泄漏給周邊國家的環境造成了極大的污染，嚴重影響了當地 及周邊人民的生活；l9 9 2 年6 月，日本關西電力公司海南電廠，一臺6 0 0 m w 的 超臨界火力發電機組在超速試驗時，由于機組軸承失效和臨界轉速下降，從而引 發了強烈的機組振動，造成機毀的重大事故，這次事故造成的經濟損失高達5 0 億日元【1 】；19 9 1 年10 月3 0 日中國蘭州鐵路局蘭州鐵路分局的1 4 7 9 次貨車由于 軸承質量問題，保持架碎裂，造成了列車脫軌的重大鐵路交通事故【2 l 。因此，及 時了解設備的運行狀態、是否存在故障，以及故障發生后能準確及時判別故障發 生的原因、部位、發展趨勢等，對避免重大經濟損失和災難性事故的發生有著非 常重要的意義。如何對上述情況做到及時、準確的掌握? 現代測試技術、信號處 理技術、信息傳感技術、計算機技術等前沿學科的快速發展使上述需要得以實現， 同時為設備的故障診斷提供了極大的技術支持，從而形成了一門新的學科：機械 故障診斷1 ，3 1 。機械故障診斷學應用性強，與高技術發展緊密相關。 機械故障診斷技術：一種了解、掌握機器設備在運行過程的狀態，確定其整 體或局部是否正常，早期發現設備部件故障及原因，并預報故障發展趨勢的技術。 其研究內容包括運行狀態的識別診斷、對運行過程的監測以及對其運行發展趨勢 的預測等【4 1 。故障診斷的流程如圖1 1 所示。 正常 1 1 信 傳 口 狀診 t 亨 系感_ -處 j c 斷檢 j l ， 統器理識、央 故障 修 系別策 統 圖1 i 故障診斷流程圖 機械設備的故障診斷，可以細分到每個部件的診斷，通過查找故障具體發生 摹于支持向量數據描述方法的滾動軸承故障診斷方法研究 在什么部件上、故障產生的原因，進而針對具體問題進行相應的處理，從而降低 事故的發生幾率，減少損失。滾動軸承一直是各種旋轉機械中應用最廣泛的通用 部件，它是常被用于旋轉機械的支撐軸及軸上的零件，用于保持軸的旋轉精度， 減少軸與支撐件之間的摩擦和磨損，其運行狀態直接影響整臺機器的性能、壽命、 功能和效率。因此對滾動軸承進行狀態監測和故障診斷具有十分重大的意義。 1 2 滾動軸承故障診斷的意義 作為旋轉機械中應用最廣泛的通用部件，滾動軸承自身具有以下優勢：摩擦 系數小、運轉精度高、潤滑易實現、裝配方便、大多類型的滾動軸承都能承受軸 向負荷和徑向負荷等，而且滾動軸承這一零部件已經國際標準化，同時，它的成 本低廉，具有很好的互換性，易于大批量生產。滾動軸承自身也存在一定的不足： 抗沖擊能力教差，在沖擊載荷的沖擊作用下易發生故障，是易損件。另外，滾動 軸承在滾動體上的載荷分布并不是均勻的，在載荷線以下的一個滾動體的受力最 大。當滾動軸承在工作時，內外圈上各點所承受的應力、應力循環次數都是不同 的，這些因素對軸承的損壞都有很大影響【5 】。滾動軸承是機器中最易損壞的零件 之一，據統計，在使用滾動軸承的旋轉機械設備中，現場實際故障中約有3 0 是 由滾動軸承故障引起的1 6 】，在齒輪箱的各類故障中軸承的故障占到了1 9 t 7 l ，僅 次于齒輪的故障。由于滾動軸承具有有限壽命且易發生疲勞損壞，軸承常因使用 不當而比其他零件損傷更頻繁，據統計，僅有1 0 2 0 的軸承達到他們的設計壽 命。 滾動軸承的失效必然會導致機械設備運行的異常，進而引發災難性的后果。 例如，2 0 0 3 年5 月7 日，在武漢鋼鐵集團的大型軋鋼廠高速線材生產線中，由于 4 號立式軋機的四軸軸承損壞，導致了三、四、五軸上的齒輪斷裂。在停產4 8 小 時更換備用減速機后才恢復生產1 8 j ，造成了重大的經濟損失。對于運轉正常的機 械設備，如故障不能及早發現并予以排除，則可能會引起相關部件的損壞，降低 生產效率，造成重大的損失。如一個普通軸承損壞后，可能導致整個齒輪箱不能 使用f 9 1 。 滾動軸承產生故障的初始階段，由于故障程度很輕微，往往不易被人們發現。 由于發現不及時，往往引起停機或設備損壞，造成經濟損失。因此，在設備維護 中，對滾動軸承的診斷具有極其重要的意義。通過對運行中的軸承進行監測、診 斷，可以及時發現由軸承故障引起的設備隱患，能夠預防事故的發生和減少經濟 損失，同時，還可以進一步找出故障產生原因，進而劃清責任【l o l 。 對滾動軸承的運行狀態監測和故障診斷，不但可以有效防止機械工作精度下 降，減少甚至杜絕事故發生，而且可以最大限度地發揮軸承的工作潛力，避免不 必要的維修造成的時間上的浪費和經濟上的損失；與此同時，對軸承的故障診斷 2 碩士學位論文 可以判斷其失效形式和原因，為軸承結構的改進設計和新軸承材料的研制應用等 提供重要的參考依據。 1 2 1 滾動軸承故障診斷技術的發展歷程 我國的設備故障診斷技術研究的起步比較晚，經歷了2 個階段： 階段一：7 0 年代末到8 0 年代初。這一階段，對設備故障診斷技術從初步認 識到初步實踐，主要是吸收國外的先進經驗和學習國外先進技術，同時對一些診 斷方法和故障的機理展開研究； 階段二：8 0 年代初期到現在。這一階段全面開展了對滾動軸承故障診斷的新 理論研究工作，對這些理論的應用進行大量的嘗試。同時，引入了計算機測控等 先進技術，快速的推動了診斷系統的研究和應用，并取得了一系列豐碩的研究成 果。如：南航振動所的趙淳生等人研究開發的m d s 系列軸承故障診斷系統等l lj ； 航空航天部6 0 8 研究所的唐德堯等人研究開發的鐵路貨車的j k 8 6 4 1 1 滾動軸承自 動試驗診斷系統和j k 8 3 4 2 齒輪軸承故障分析儀。 在國外，滾動軸承的故障診斷大概開始于2 0 世紀6 0 年代。在近年來發展極 為迅速，各種診斷方法和診斷技術在不斷的產生、發展和逐步完善，應用的領域 也在不斷擴大，診斷的有效性越來越高。總體而言，滾動軸承的發展經歷了以下 4 個發展階段1 2 ，1 1 q 3 】： 第一階段：利用通用的頻譜分析儀對軸承的故障進行診斷軸承。2 0 世紀6 0 年代中期，在快速傅立葉變換( f f t ) 技術的出現和發展帶動下，振動信號的頻 譜分析技術得到了快速的發展，通過對滾動軸承元件在有損傷情況下理論特征頻 率值的計算，然后將該理論特征頻率值和通過頻譜分析儀在經過實際分析后得到 的結果進行比較，從而判斷滾動軸承是否存在故障。 第二階段：利用沖擊脈沖技術對軸承進行故障診斷。在上世紀6 0 年代末， 瑞典的s p m 儀器公司研究開發了沖擊脈沖計。它的原理是通過沖擊脈沖的最大幅 值來判定軸承是否存在故障。這種方法對軸承的早期損傷類故障的檢測十分有效。 第三階段：利用共振解調技術對軸承進行故障診斷。1 9 7 4 年，美國波音公司 的d r h a r t i n g 發明了一項叫做“共振解調分析系統的專利【l4 1 。共振解調分析 技術和沖擊脈沖技術相比，共振解調技術能更有效的對軸承早期損傷類故障進行 診斷。共振解調技術不僅能有效地診斷出軸承是否存在故障，還可以對產生故障 的軸承元件做出準確的判定，甚至能對故障發生的大致嚴重程度進行有效評估。 第四階段：以微機為中心的滾動軸承在線故障監測和診斷系統的開發。2 0 世 紀9 0 年代以來，隨著微機技術超快發展，開發出以微機為中心的滾動軸承故障診 斷系統得到了國內外研究者的重視。以微機為中心的信號分析及故障診斷系統具 有適應性強、靈活性高，維護和升級較為容易的特點。目前，美、日、英、俄等 基于支持向量數據描述方法的滾動軸承故障診斷方法研究 工業發達的國家相繼開發了以微機為主的滾動軸承狀態監測與診斷系統，如 b e n t l y 公司的r o l l i n ge l e m e n tb e a r i n ga c t i v i t ym o n i t o r ( r e b a m ) 系統。 伴隨著軸承故障診斷這四個階段的發展，故障診斷理論和新的信號測試與處 理方法也不斷地涌現。以信號處理技術為基礎的故障診斷方法大致可以分為兩大 類： 1 、以傳統信號處理為基礎的故障診斷方法，如沖擊脈沖法、幅值參數指標分 析法、共振解調法、頻譜分析法等。 2 、以現代信號處理為基礎的故障診斷方法，如非線性技術處理法、現代譜分 析法、非高斯信號處理法、時頻分析法、智能診斷法等方法。 1 2 2 滾動軸承故障診斷技術的研究現狀及發展趨勢 當前，隨著計算機技術、信號檢測技術、人工智能技術、數字信號處理技術 的迅速發展，滾動軸承故障診斷已經成為了一門融合型學科。與傳統的滾動軸承 故障診斷方法相比，目前的滾動軸承故障診斷的研究方向主要有以下幾個方面 1 5 ，1 6 】： ( 1 ) 小波變換 小波分析是關于時頻域的一種局域分析，被譽為“數學顯微鏡 。它能通過平 移和伸縮等運算功能對函數或信號進行多尺度細化分析，從而解決許多傅里葉變 換不能解決的問題7 1 。基于小波變換在時、頻域的局部化和可變時頻窗的特點， 與傳統的傅里葉變換比較，小波變換更適合分析非平穩信號。在實際應用中，絕 大多是信號是非平穩信號，而小波分析正適用于非平穩信號的處理工具n 韻。由于 小波分析的特性，使其在滾動軸承故障診斷領域得到廣泛研究。m o r ik 等利用離 散小波變換對滾動軸承的振動信號進行分解，并從小波變換系數中成功地在線預 測了滾動軸承的早期疲勞剝落故障粥。何曉霞等人通過采用連續小波分析方法， 對滾動軸承的振動加速度信號進行了相關處理，提取了滾動軸承分別在正常、外 圈剝落、內圈剝落、滾動體剝落等運行狀態下的故障特征眩們。 ( 2 ) 專家系統 近年，隨著人工智能技術的發展，專家系統技術得到迅速推廣。專家系統 ( e x p e r ts y s t e m ，e s ) 是應用大量人類專家的只是和推理方法求解復雜的實際問 題的一種人工智能方法眩。專家系統就是一個智能的計算機程序，它能模擬專家 在處理問題時的一些推理方法，利用已有的知識和經驗建立模型，解決問題，并且 得到與專家相近似的結論眩2 。 故障專家系統是人工智能在機械故障診斷中的應用，與人工領域專家系統相 比，它具有成長周期短、使用成本低、便于復制、能集中多個領域專家的智慧等 諸多優點而受到各方面的普遍關注眨如。 4 碩上學位論文 ( 3 ) 模糊診斷 模糊理論是通過模仿人的思維方式來處理系統的不確定性和模糊性，它運用 不確定性程度來描述變量。它最大的特點是其模糊規則庫可以直接利用專家知識 構造，因而能充分利用和有效處理專家的語言知識和經驗囈鍆。 在滾動軸承振動信號中，故障特征振動和故障類型并不存在一一對應的關系， 一種故障可能會引起多種故障特征，一種故障特征也可能對應著多種故障類型。 基于此，軸承故障診斷領域引進了模糊理論。軸承故障模糊診斷方法中的模糊概 念，可以通過模糊集合來表示，而該方法中的模糊變換運算的作用是討論模糊判 斷、推理的。 ( 4 ) 人工神經網絡 人工神經網絡具有處理復雜多模式及進行聯想、推測和記憶功能，近年來在 故障診斷領域引起了廣泛研究。神經網絡真正用于設備故障診斷起源于8 0 年代末 期，1 9 8 9 年v e n k a t 等人第一次成功地將人工神經網絡應用于模式匹配和故障診 斷中眨卯。將神經網絡引入故障診斷領域，實現了故障診斷的智能化，提高了診斷 結果的可靠性，減輕了維修人員工作壓力。在實際故障診斷應用中，神經網絡一 般與其他方法結合使用。利用其他方法提取故障特征作為神經網絡輸入，再應用 神經網絡進行模式識別。 ( 5 ) 單值分類方法 支持向量數據描述作為單值分類方法中的一種，它是在傳統的支持向量機和 統計學理論的基礎上發展起來的，它在解決非線性、小樣本及高維問題中的優勢 比較明顯。國內外眾多學者認為，支持向量機方法正在成為既神經網絡研究之后 機器學習領域新的研究熱點。將支持向量數據描述這一方法應用于故障診斷領域， 將會為智能診斷注入新的活力，并會推動智能診斷技術的發展。 迄今為止，已經涌現出了許多的滾動軸承故障診斷技術，有的技術方法已經 應用于實踐，有的技術方法還處于實驗研究階段。總體而言，這些技術都不夠完 善。今后，滾動軸承故障診斷技術的發展趨勢如下 2 6 - 2 8 1 、小波理論在滾動軸承故障診斷中的進一步完善，并充分挖掘該理論在滾動 軸承故障診斷中的實際運用價值，將會使得小波理論在滾動軸承故障診斷領域中 的應用前景更加廣闊； 2 、故障診斷專家系統在滾動軸承故障診斷中的進一步開發和應用； 3 、故障診斷的本質就是模式識別，神經網絡不但具有非線性映射能力，而且 還具備學習歸納和并行處理能力，因此可以用于情況比較復雜的滾動軸承故障診 斷； 4 、分形理論是研究非線性事物的有力工具，有科研工作中已將分形理論引入 到了故障診斷領域中，并取得了一定效果。故障診斷領域的重要研究方向之一就 基于支持向量數據描述方法的滾動軸承故障診斷方法研究 是進一步研究分形理論在滾動軸承故障診斷中的工程應用； 5 、通過不同的故障診斷方法提取得到的故障特征并非都能全面的反映滾動軸 承故障特征的全部信息。解決這個問題的辦法就是研究綜合診斷技術。將不同的 診斷方法以一定的方式結合起來的綜合診斷技術，有助于準確了解軸承的故障信 息，提高診斷正確率，減少事故發生和經濟損失。 1 3 支持向量數據描述理論及發展概況 傳統的支持向量機方法用于二分類問題能解決很多實際的問題，在機械的故 障診斷中也取得了一定的效果，但前提是必須有足夠多的正常和故障數據樣本供 其學習和判斷。然而，在工程實際中，機械正常運轉狀態的數據很容易采集得到， 但在故障狀態下的數據卻較難以采集到。而在實際的機械故障在線監測和診斷中， 只需要判別機械設備是否運轉正常。因此，故障診斷的前期過程可看作單值分類 問題。單值分類法只需要正常運行狀態的數據即可判斷機械設備運行是否正常， 而不需要故障數據的參與，大大的降低了成本。 1 3 1 支持向量數據描述方法的產生 解決單值分類問題的方法主要有邊界法、重構法、密度估計法。邊界法又包 括有k 中心法、支持向量數據描述法和最鄰近法( n e a r e s tn e i g h b o r ，n n ) 1 2 9 】。支 持向量數據描述，是繼s v m 之后產生的又一新的支持向量算法，它是在統計學 習理論和傳統的支持向量機上逐漸發展、成熟起來的一種新的方法。s v d d 是基 于s v m 的較大變形的支持向量學習機，它開辟了機器學習領域新的研究方向。 超球 圖i 2 支持向量數據描述二維空間模型圖示 s v d d 方法是t a x 和d u i n 于1 9 9 9 年首次提出的概念【3 0 1 ，其二維空間示意圖 如圖1 2 所示。s v d d 是一種用于數據域描述的支持向量學習機，受到s v m 及其 6 碩上學位論文 創造者v a p n i k 的啟發，采用最小體積的超球約束目標類數據。s v d d 方法不同于 s v m 的分類或回歸任務，它給予目標類緊致邊界描述，針對的是數據域描述問題。 其基本思想是在特征空間中尋求一個最小容積的超球體，使得所有的或者絕大部 分的目標樣本都被包含在該超球體內，而非目標樣本都落在超球體外。該理論認 為超球體內的點屬于目標類，而超球體外的點則被認為是非目標類，從而達到將 兩類樣本分開的目的【川。 1 3 2 支持向量數據描述理論發展概況 從計算的角度看，s v d d 方法僅采用一類樣本進行訓練，大大降低了計算的 復雜度。它具有約束條件簡單、魯棒性強、泛化能力較好等優勢。國內外學著對 s v d d 方法進行了大量細致深入的研究。 不同的訓練樣本對分類或回歸的結果有不一樣的貢獻率。因此，有學者將模 糊數學引入s v d d 方法，對其進行改進。l i u 等人使用f c m 將模糊度引入s v d d 方法中，實現在t e t - l c d 生產過程中的故障監控b 列。但是，將模糊度引入s v d d 中的方法是在原始空間中對模糊隸屬度進行計算，當樣本被映射到高位特征空間 后，它們的分布狀態發生了改變，若再使用由原始空間求解的模糊隸屬度，則不 能很好的反映樣本在高維空間中的隸屬信息。為此，張永等人口引提出提出了核p c m 算法，對訓練樣本賦予其屬于各類別的隸屬度，實現了模糊s v d d 的多類分類算 法。 s v d d 的目的是為目標類提供緊致的邊界描述，主要用于孤立點或新類檢測； 2 0 0 1 年t a x 【3 4 1 對s v d d 進行擴展，在訓練時加入負類樣本對目標類進行描述，比 僅含有正類樣本的s v d d 更加可靠；a m i tx i n 等人對s v d d 進行擴展，提升為可 含負類樣本【3 5 】；b a n e r j e e 等人利用s v d d 對高光譜圖像進行異常檢測口們；陶新民 等人以高階統計矩陣奇異值譜作為故障特征使用s v d d 對軸承故障進行檢測b ； 王培良等人利用獨立主成分分析提取出非高斯信息，結合s v d d 對非高斯特性下 的間歇過程故障進行在線檢測b8 。2 0 0 4 年，t a x 和d u i n 論述了s v d d 的完整模 型，稱之為支持向量數據描述【3 9 。 s v d d 方法作為一種小樣本學習算法，一旦運用該方法對大規模數據進行訓 練時，就會存在以下缺陷：學習時間長、對硬件要求高。因此，為應對這種缺陷， 有學者提出增量s v d d 算法，它主要是通過對新增樣本集和原有的支持向量進行 訓練，求解出新的最小超球。但對新增樣本而言，并非它包含的所有樣本都能對 超球模型的構建起作用。此外，在增量學習的過程中，在邊界附近的樣本有一定 的幾率會轉變為新超球的支持向量。因此，如果只保留原有樣本中的支持向量， 則可能會引起樣本集信息丟失的現象。李自國提出了基于k k t 條件對增量訓練 樣本集進行約減的規則。并將這種規則應用到軸承故障檢測的實際應用中，取得 7 基于支持向量數據描述方法的滾動軸承故障診斷方法研究 了較好的效果【4 0 1 。目前，國內外財務報表舞弊行為逐漸增多，給國家和人民帶來 了很大的經濟損失和不良影響。鑒于此，國內外廣大的學者相繼展開了對舞弊行 為的識別技術的研究以減少或杜絕舞弊這一現象。如b e l l 等人設計并實現了一個 邏輯回歸模型，為用戶提供鑒別財務報表存在舞弊的可能性4 1 】；譙虹等人利用 g m d h 模型對我國上市公司虛假財務報告進行識別【4 2 1 。 1 4 本文的主要研究內容及結構安排 在實際工程應用中，故障數據缺乏一直是制約故障診斷技術發展的一個重要 問題。支持向量數據描述( s u p p o r tv e c t o rd a t ad e s c r i p t i o n ，s v d d ) 方法是只需要一 類樣本數據即可進行分類，具有計算速度快、魯棒性強、可有效處理小樣本數據 等優點【4 3 1 。本文主要是通過對采集到的振動信號進行一系列處理，提取相應的特 征參數，結合s v d d 方法，進行故障診斷分析。 本文的具體內容安排如下： 第一章：緒論。著重敘述了本文的選題背景及研究意義，給出了滾動軸承故 障診斷的研究現狀及其發展趨勢。闡述了s v d d 方法的產生、發展及其優勢。 第二章：滾動軸承的故障機理與特征。闡述了滾動軸承常見的故障模式及其 成因，分析了滾動軸承的故障機理及其特征。 第三章：支持向量數據描述方法。介紹了支持向量數據描述方法，闡述了 s v d d 方法的原理，深入分析了支持向量數據描述方法的研究內容。 第四章：局部均值方法。對局部均值方法進行了深入學習，并將其與e m d 方法進行比較。 第五章：s v d d 方法在滾動軸承故障診斷中的應用。 第六章：總結和展望。 8 碩上學位論文 2 1 概述 第2 章滾動軸承的故障機理與特征 滾動軸承在運行過程中的振動信號常常能反映其變化規律和運行狀態。在滾 動軸承的故障診斷過程中，如果只是盲目的測定振動信號，而不了解滾動軸承的 振動機理，不清楚滾動軸承的故障類型和與之對應的振動特性，那么，就不可能 準確有效的診斷軸承是否發生故障。因此，為可靠地診斷滾動軸承的故障，必須 準確掌握滾動軸承的相關知識。 2 2 滾動軸承的結構 滾動軸承不僅是旋轉機械中最常見的通用零部件之一，而且也是旋轉機械容 易損壞的部件之一。據統計，旋轉機械約3 0 的運行問題是由軸承故障造成的。 它的好壞對機器的工作狀態影響極大。軸承的缺陷會導致機器劇烈振動并且產生 噪音，甚至引起設備的損壞。對滾動軸承進行監測和診斷，必須要對其結構有較 為深入的了解。滾動軸承的基本結構包括內圈、外圈、滾動體、保持架等元件， 如圖2 1 示。 ( 毫) l 一內圈 “衰動體 ( b ) 2 - 矽 圈 毒_ 保持架 圖2 1 滾動軸承結構示意圖 2 3 滾動軸承的故障機理 通常情況下，在工作期間，滾動軸承固定或相對固定，它的外圈與機殼或軸 承座相聯接，而內圈與機械設備的傳動軸相聯接，隨著軸一起轉動。當軸承在一 9 摹于支持向量數據描述方法的滾動軸承故障診斷方法研究 定載荷下以一定的速度運轉時，由于傳動軸上其他零部件的運動和力的作用等外 部因素和軸承自身的結構特點、加工裝配誤差及運行過程中出現的故障等內部因 素，共同對軸和機殼或軸承座組成的振動系統產生激勵，使整個系統產生振動哺鍆。 當振動達到一定程度時，軸承就會產生故障。在實際的軸承故障診斷中，如果不 考慮軸承加工和裝配誤差，系統振動則主要為運行故障這一內部因素所引起。滾 動軸承的振動通常分為兩類h5 1 ：一方面與軸承的彈性有關的振動；另一方面與軸 承滾動表面的狀況( 傷痕、波紋等) 有關的振動。前者與軸承的異常狀態無關， 而后者反映了軸承的損傷情況。 總的來說，使得滾動軸承產生振動的主要動態力有以下幾種： ( 1 ) 滾道表面的故障及不規則 滾到表面的故障和不規則造成了第一類型的振動。軸承存在故障，如外圈滾 道局部點蝕。軸承的某個表面不規則，如內圈滾道不平。這些因素都會激起軸承 以故障特征頻率為特征的振動。 ( 2 ) 軸承元件的剛度變化 由軸承元件的剛度變化引起的振動類似于第一類振動。軸承元件的剛度變化 是由于軸承及滾道表面不同部分的剛度不一引起的。如軸承受載運行中載荷區的 滾動體數目周期變化，從而引起剛度隨之變化。 ( 3 ) 潤滑層破壞時發生沖擊脈沖 這種周期性的沖擊脈沖會激發兩種類型的軸承振動。第一種：由于沖擊脈沖 上升沿激發起較寬范圍內的頻率成分；第二種：因為阻尼震蕩表現為在固定( 自 然) 頻率附近的窄帶頻率。 ( 4 ) 摩擦力激勵 當軸承表面出現磨損時，那么軸承相互接觸的表面的摩擦力就會增大。實質 上，這些摩擦力是一系列隨機分布在發生時間、持續時間以及形式上的短的沖擊 脈沖。一般情況下，這些摩擦力會隨著運轉周期的變化而發生變化的。它激起的 頻率范圍為2 1 0 k h z ，并隨著軸承的轉速升高而升高。 ( 5 ) 轉子自激振蕩力 當轉子自激振蕩力作用于軸承時，軸承就會產生振動。轉子的自激振蕩通常 出現在軸承間隙過大時。當軸承間隙過大時，摩擦力會使軸承偏離它的平衡位置， 并繞初始位置作擺振運動。通常情況下，自激振蕩的頻率低于轉頻，它的值取決 于軸承間隙的大小和轉子特征。因此，自激振動的頻率大多與已知頻率的分倍頻 的值是一致的。 ( 6 ) 與其他組件的交互力 與其他組件的交互力可能會對機器中其它組件產生的振動力造成影響。例如， 軸承表面的不平衡會引起轉子振動，而轉子的振動則會導致定子和轉子間的間隙 1 0 碩十學位論文 發生變化。 軸承在無故障運行和有故障運行時引起的振動所表現出來的特征是不同的。 在軸承的故障診斷中，我們研究的是由運行故障引起的振動。所以，從整個綜合 振動信息中提取出由運行故障所引起的有效振動信息，準確地診斷滾動軸承的潛 在故障，就是滾動軸承故障診斷的關鍵。 2 4 滾動軸承失效的基本形式 滾動軸承在不同轉速下的失效形式有一定的差異。當軸承轉速刀 1 0 r m i n 時，滾動軸承主要的失效形式有以下幾種 5 , 7 , 4 6 】。 l 、磨損失效 這是滾動軸承一種常見的失效形式。滾動軸承的內外圈滾道、保持架、滾動 體在機械加工過程中的表面不平整，或安裝軸承的軸頸或座孔有雜質異物的浸入， 而引起的表面磨損。磨粒的存在是軸承磨損的基本原因，潤滑不良會加劇磨損。 磨損會導致軸承游隙增大，表面粗糙度大幅增加，降低機器運行的精度，增大運 行過程中的振動和噪聲。 滾動軸承磨損失效的特征是： ( 1 ) 類似靜壓痕； ( 2 ) 在配合上出現紅褐色磨損粉末的局部磨損； ( 3 ) 滾道面、滾動體表面、凸緣面、保持架等磨損； ( 4 ) 圓錐滾子軸承擋邊磨損過大。 2 、壓痕失效 壓痕就是在滾道和滾動體表面產生局部變形而出現的凹坑。它通常是由于過 載、沖擊、金屬粉末等異物落入滾道而形成。 壓痕失效的特征是： ( 1 ) 滾道面上存在按滾動體間距分布的壓痕。壓痕主要出現在滾