常、胶合齿轮故障特征信息集中在IMF4分量中，但是胶合齿轮IMF4分量的能谱熵值，明显高过正常齿轮，根据每种齿轮类型各层IMF分量的能谱熵值分布及变化趋势，可大致区分齿轮故障。结合PNN神经网络完成故障类型识别。图4前9个IMF分量的能谱熵1.断齿2.胶合3.正常4.磨损将前9个IMF分量的能谱熵值作为概率神经网络的输入向量。将振动信号样本分为训练样本与验证样本，其中训练样本每种齿轮类型15组，验证样本每种齿轮类型15组，将验证样本输入到训练完毕的PNN神经网络，统计摇臂齿轮故障识别情况预测类型和实际类型完全重合，由该方法可看出，对于摇臂齿轮故障信号具有很高的识别率。对于4种不同类型齿轮，齿轮类型识别率达到88%，对于磨损齿轮识别率达到100%。可较好地实现采煤机摇臂齿轮故障诊断。4结语本文在进行试验的基础上，对振动信号进行EMD分解，选择集中了信号大部分能量的前9个IMF分量的能谱熵值作为故障特征信息，可估计各IMF分量的复杂性，将故障特征信息输入到概率神经网络进行模式识别分析，结果证明正常、胶合、断齿、磨损4种齿轮的识别率达到88%以上，可有效实现采煤机摇臂齿轮故障诊断。参考文献：［1］胡俊，张世洪，汪崇建.采煤机故障诊断技术现状及发展趋势［J］.煤矿机械，2008，29（9）：8-10.［2］陈雪峰，李继猛，程航.风力发电机状态监测和故障诊断技术的研究与进展［J］.机械工程学报，2011，47（9）：45-52.［3］汤宝平，蒋永华，张详春.基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法［J］.机械工程学报，2010，46（5）：37-48.［4］谢平.故障诊断中信息嫡特征提取及融合方法研究［D］.秦皇岛：燕山大学，2006.［5］王柏生，倪一清，高赞明.用概率神经网络进行结构损伤位置识别［J］.振动工程学报，2001，14（1）：60-64.作者简介：冯东华（1982－），河南周口人，博士在读，讲师，主要研究方向：多智能体，电子信箱：Lunwone@163.com.责任编辑：庞振峰收稿日期：2013－12－250引言目前，对于轴承故障诊断主要有神经网络和支持向量机2种方法。神经网络诊断方法需要大轴承振动信号特征提取及故障诊断研究*马宏伟，王增强，陶美华，毛清华，张旭辉（西安科技大学，西安710054）摘要：为了快速准确地识别轴承故障，研究了轴承振动信号时域特征和小波包能量特征提取方法，通过实验分析最终选择的轴承故障特征为无量纲时域特征和小波包能量特征，并采用“一对多”支持向量机分类算法对轴承的正常、外圈故障、内圈故障和滚动体故障四类数据进行了故障诊断实验，诊断准确率为96%。关键词：轴承故障；振动；支持向量机；特征提取；诊断中图分类号：TH133.3文献标志码：A文章编号：1003－0794（2014）07－0279－03FeatureExtractionandFailuresDiagnosisResearchofBearingVibrationSignalMAHong-wei，WANGZeng-qiang，TAOMei-hua，MAOQing-hua，ZHANGXu-hui（Xi’anUniversityofScienceandTechnology,Xi’an710054,China）Abstract:Inordertoquicklyandaccuratelyidentifybearingfailures,thefeaturesextractionmethodsforbearingvibrationsignalsoftimedomainandwaveletpackageenergywerestudied.Throughtheexperimentalanalysis,thedimensionlesstimedomaincharacteristicandwaveletenergywerefinallychosenasthebearingfaultfeatures.Theone-against-restsupportvectormachinewasusedtoclassifynormal,outerringfault,rollingfaultandinnerringfaultfourkindsofbearingdata,andthediagnosisaccuracywas96%.Keywords:bearingfailures;vibration;supportvectormachine;featuresextraction;diagnosis!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!*教育部博士学科点专项科研基金项目（20136121120010）；陕西自然科学基础研究计划项目（2012JM8093）；西安科技大学培育基金（201329）；西安科技大学博士启动金（2012QDJ025）doi:10.13436/j.mkjx.201407121煤矿机械CoalMineMachineryVol.35No.07Jul.2014第35卷第07期2014年07月1234能谱熵0.80.70.60.50.40.30.20.10IMF分量IMF1IMF2IMF3IMF4IMF5IMF6IMF7IMF8IMF9278

第35卷第07期Vol.35No.07轴承振动信号特征提取及故障诊断研究———马宏伟，等量的故障数据样本且收敛较慢。支持向量机能够解决少样本故障诊断问题，文献［6］、文献［7］分别运用最小二乘支持向量机和小波支持向量机对轴承故障进行诊断，获得了良好的诊断效果。轴承故障诊断属于多类故障诊断问题，支持向量机多类分类算法中“一对多”SVMs(one-against-rest，1-a-r)支持向量机多类分类方法具有易于实现，分类速度相对较快，构造分类器较少，可用于大规模数据分类等优点，本文运用“一对多”支持向量机方法对轴承进行故障诊断。1特征值选取1.1无量纲时域特征提取无量纲指标峰值因子Cv＝max（|xn|）/1TNn=1Σ|xn|2Δt姨（1）脉冲因子I＝max（|xn|）/1TNn=1Σ|xn|Δt（2）裕度因子L＝max（|xn|）/1TNn=1Σ|xn|姨ΔΔΔt（3）偏态因子P＝N姨Nn=1Σxn-1T|xn|ΔΔΔtNn=1Σxn-1TNn=1Σ|xn|ΔΔΔtΔΔ（4）峭度因子K＝NNn=1Σxn-1TNn=1Σ|xn|ΔΔΔtNn=1Σxn-1TNn=1Σ|xn|ΔΔΔtΔΔ（5）波形因子S＝1TNn=1Σ|xn|2Δt姨1TNn=1Σ|xn|Δt（6）1.2小波包能量特征提取在机械故障诊断领域中，小波包信号能量特征提取具有广泛的应用。小波包对信号进行分解的原理如图1所示，小波包对信号进行多层分解后，用各层信号重构后的小波包系数来表示信号特征，小波包系数越大，该层信号能量越多。图1小波包分解示意图小波包对轴承振动信号的能量特征提取步骤：（1）振动信号小波包分解。轴承振动信号被小波包分解后，获得一系列频段，从高频到低频分别记为S1，S2，…，Sn。（2）计算振动信号各个频段对应的振动信号能量为Ej（j=1，2，…，n），根据Parseval恒等式可得Ej=乙Sj（t）2dt=mk=1Σxjk（7）式中xjk（k=1，2，…，m）———Sj的离散点的值。（3）构造小波包能量特征向量。以各个频段能量为特征单元构造振动信号能量特征向量T=[E1，E2，…，En]。实际轴承振动信号中，各频段能量之间差距较大，对故障诊断造成不便，因此对能量进行归一化处理，归一化方法为E′＝ni=1ΣEi（8）T′＝TE′=[E1E′，E2E′，…，EnE′]（9）式中T′———归一化的能量特征。2“一对多”支持向量机多类分类模型“一对多”支持向量机多类分类算法的原理是把其中1种类别的样本当作1个类别，其余样本当作另1个类别，从而变成1个两分类问题。对于k类分类问题，需要构造k个支持向量机两类分类器。给定l个训练样本（x1，y1），（x2，y2），…，（xl，yl），其中xi∈Rn，i＝1，…，l，yi∈{1，…，k}为样本xi的类别，k是训练样本的类别数目，则第i个SVM两类分类器的原始优化min12||ωi||2+Clj=1Σξij（10）s.t.（ωi）T准（xj）+bi≥1-ξijyj=i（ωi）T准（xj）+bi≥-1-ξijyj=iξij≥0，j=1，2，…，≥≥≥≥≥≥≥≥≥≥≥l求解式（10）得到的k个决策函数为（ωi）T准（x）+bl（ωk）T准（x）+bk通过x所属的类别由k个决策函数中最大值来确定，即f（x）=argmax［（ωi）T准（x）+bi］i=1，2，…，kxL1LH2LL2LLL3LLH3LHL3LHH3HLL3HLH3HHL3HHH3HH2HL2H1（11）323/242222279

3轴承故障特征提取及诊断实验实验中运用CaseWesternReserveuniversity实测的轴承振动加速度数据对本文特征提取和故障诊断方法进行实验验证。电机功率为1.5kW，用风机为负载来改变轴承的载荷，实验中振动加速度传感器垂直安装在电机输出轴支承上方的机壳上进行数据采集。实验装置中轴承为6203-2RSJEMSKF型和6205-2RSJEF型深沟球轴承，本实验用6205-2RSJEF型轴承的故障振动信号作为故障诊断原始数据，6205-2RSJEF型轴承的几何参数：内圈直径/mm24.9784外圈直径/mm51.9989厚度/mm15.0012滚珠直径/mm7.9400轴承节径/mm39.0398轴承包括4种状态分别为正常、外圈故障、内圈故障和滚动体故障。该轴承的损伤故障为单一故障，故障是运用电火花机分别在外圈、内圈和滚动体上进行人工制作的，其损伤的直径分别为0.5334mm、0.1778mm和0.3556mm，损伤深度均为0.2794mm。实验中采样频率为12kHz和48kHz，本文选取的采样频率为12kHz，转速分别为1797r/min和1750r/min。故障诊断中4类样本数据为正常、滚动体故障、内圈故障和外圈故障。正常样本数据40960个点，其中20480个点作为训练样本，20480个点作为测试样本。滚动体故障数据30720个点，其中20480个点作为训练样本，10240个点作为测试样本。内圈故障20480个点，其中10240个点作为训练样本，10240个点作为测试样本。外圈故障20480个点，其中10240个点作为训练样本，10240个点作为测试样本。每个样本为1024个点，即训练样本60个，测试样本50个，诊断训练样本和测试样本如表1所示。表1轴承故障诊断数据样本实验中通过提取样本信号中的无量纲时域特征和小波包能量特征作为支持向量机分类样本向量，并运用“一对多”的C-SVM支持向量机多分类算法对轴承故障进行诊断，核函数为高斯核径向基核函数。首先将训练样本输入到支持向量机分类器中对分类模型进行训练，然后利用测试样本测试分类效果，分类精度为96%，实验结果如图2所示。结果表明：轴承故障无量纲特征和小波包能量特征能较好反应轴承故障特征，“一对多”支持向量机分类算法对小样本数据具有良好的分类效果。图2支持向量机分类测试结果1.测试样本2.预测样本4结语本文提取了轴承正常、外圈故障、内圈故障和滚动体故障4种不同状态下振动信号无量纲时域特征和小波包能量特征，建立了“一对多”的支持向量机的多故障分类器。运用CaseWesternReserveuniversity实测轴承4种状态的振动加速度信号对特征提取和故障诊断方法进行了实验验证，实验结果表明：本文提出的轴承故障振动信号特征提取和诊断方法具有良好的诊断效果，诊断精度高达96%，对旋转机械轴承故障特征提取和诊断具有重要参考价值。参考文献：［1］隋文涛.滚动轴承表面损伤故障的特征提取与诊断方法研究［D］.济南：山东大学，2011.［2］蒋超，张应红，徐晋勇，等.基于振动的滚动轴承故障诊断技术研究［J］.煤矿机械，2012，33（2）：235-237.［3］何正嘉，陈进，王太勇，等.机械故障诊断理论及应用［M］.北京：高等教育出版社，2010.［4］张清华，邵龙秋，李红芳，等.基于无量纲指标的旋转机械并发故障诊断技术［J］.华中科技大学学报：自然科学版，2009，37（S1）：156-160.［5］岑健，胥布工，张清华，等.基于证据理论的免疫检测器在轴承故障诊断中的应用［J］.轴承，2009（8）：42-45，49.［6］王太勇，何慧龙，王国锋，等.基于经验模式分解和最小二乘支持矢量机的滚动轴承故障诊断［J］.机械工程学报，2007，43（4）：88-92.［7］郭磊，陈进，朱义，等.小波支持向量机在滚动轴承故障诊断中的应用［J］.上海交通大学学报，2009，43（4）：678-682作者简介：马宏伟(1957-），陕西兴平人，教授，主要从事矿山设备智能检测与控制、工业机器人等，电子信箱：mahw@xust.edu.cn.责任编辑：庞振峰收稿日期：2013－12－25轴承状况正常滚动体故障内圈故障外圈故障训练样本数20201010测试样本数20101010类别标签1234第35卷第07期Vol.35No.07轴承振动信号特征提取及故障诊断研究———马宏伟，等0102030405032.521.510.50类别标签/类样本数目/个21280