第3期 王国栋等：基于特征波形稀疏匹配的滚动轴承故障模式识别 ,395. 值是信号有效值的3.16倍，使信号模式难以辨识， 承信号(N)和滚动体故障信号(B)特征相近，内圈 总体识别率平均值下降为46.89%，这里需要说明： 故障信号(D和外圈故障信号(0)特征相近，所以采 随着信噪比的降低，由于特征波形逐渐被噪声所淹 用树形SVM.树型SVM的第1层把四类分成(N, 没，对同一故障模式的信号需要多次运用第2.2节 B)、(I0)两类，对应的支持向量机SVM1,第2层将 中的搜索算法，得到多组相似波形，然后取相似度较 两类分别分开，SVM2将N、B分开，SVM3将I0分 高的一组作为学习样本. 开.支持向量机输入特征量的选择，主要根据信号 3.4不同工况及故障程度下的信号模式识别 统计指标对不同模式的可区分性，选择均方根值、裕 在实际诊断中，主要考虑从同一轴承或同种型 度指标作为SVM1的输入特征量，均方根值、均值作 号的轴承设备的历史数据中提取不同模式信号的特 为SVM2的输入特征量，波形指标、脉冲指标作为 征波形，用已有工况的数据得到的特征波形构造模 SVM3的输入特征量.使用与本文方法相同的数据 式识别库，实现对待测样本信号的识别.使用电机 进行SVM的训练和模式识别，每种模式长度为 转速为1772mn,L=150,M=9时得到的模式 11000个点的信号可得到21个样本（长度为512）用 识别库，对转速为1797、1750和1730min下的 于SVM的训练，每种模式100个样本用于测试，当 信号样本（每种模式100个）进行模式识别，结果如 选择径向基函数作为SVM的核函数时，模式识别的 表4所示，由表可知，不同转速下的信号的模式识 效果最好，总体识别率为91.25%. 别准确率均在96.25%以上.对于复合故障的情形， 结果表明，基于统计指标的信号模式识别方法 由于轴承的周期性旋转，其振动信号呈现一定的周 比本文基于特征波形稀疏匹配的方法识别率要低一 期性，因而仍然存在周期性出现的特征波形，通过 些，该方法选择信号的统计指标作为特征量，要求 特征波形构造模式识别库，实现轴承复合故障的模 信号具有一定的平稳性，而信号是非平稳的，相比 式识别 之下，本文的方法是与信号的幅值无关的，不受信号 表4不同转速时的识别结果 幅值波动的影响，因此具有更好的模式识别能力， Table4 Recognition wesults w ith different mtate speeds 另外，本文的方法通过MP分析实现模式分类，避免 转速/ 正常 滚动体 内图 外图 总体 了分类器的设计环节，降低了模式识别的复杂度， (mn)轴承 故障 故障 故障 识别率 以信号中的特征波形作为特征量，特征波形反映了 1797 100 97 96 92 96.25 轴承振动的固有特性，相比统计特征量更直观，物理 1750 100 94 100 96 97.50 意义更为明确， 1730 100 100 100 92 98.00 5结论 另外，本文在模式匹配库上只进行一阶匹配分 (1)本文从信号波形所内涵的特征形态的角 析，主要是因为长度为512的信号只包含了信号的 度，发现同一故障模式的信号存在重复出现的特征 一个周期，特征波形只出现了一次，如果改变原子 波形，不同故障模式信号的特征波形存在着差异，差 长度和测试样本的长度，可以考虑采用多阶匹配分 异性隐含着可识别性 析，并根据匹配原子的来源实现模式识别，在模式 (2)为了实现特征波形的自动搜索，本文自行 识别计算过程中，由于每类模式的原子库是由基原 设计了特征波形搜索方法，并利用MOD方法对找 子模型沿时间轴的逐点平移来构造的，因此用测试 出的多段特征波形进行优化，从而得到了一段特征 样本与基原子模型的互相关运算代替测试样本与每 波形作为基原子模型来构造原子库， 类模式原子库中的所有原子的内积运算，可以提高 (3)运用信号MP分析原理，提出了轴承故障 计算的效率. 模式识别的新方法，并对正常轴承、滚动体故障、内 4方法对比分析 圈故障和外圈故障四类模式信号进行实验，结果表 明，当特征波形长度L=50M=4~8时信号模式的 为了对比分析本文方法的特色与优势，选择统 总体识别率均在969%以上，当L=150M=9时总体 计特征量作为分类器的输入量，使用支持向量机 识别率达到了98.759%，证实了方法的有效性 (SVM)对信号数据进行模式识别.在故障诊断领 (4)使用电机转速为1772mm,L=150 域，SVM方法比神经网络等传统的方法具有更好的 M=9时得到的模式识别库，对转速为1797、1750 分类性能山-).考虑四类模式信号的特点，正常轴 和1730min下的信号样本进行模式识别，准确第 3期 王国栋等： 基于特征波形稀疏匹配的滚动轴承故障模式识别 值是信号有效值的 3∙16倍‚使信号模式难以辨识‚ 总体识别率平均值下降为 46∙8％．这里需要说明： 随着信噪比的降低‚由于特征波形逐渐被噪声所淹 没‚对同一故障模式的信号需要多次运用第 2∙2节 中的搜索算法‚得到多组相似波形‚然后取相似度较 高的一组作为学习样本． 3∙4 不同工况及故障程度下的信号模式识别 在实际诊断中‚主要考虑从同一轴承或同种型 号的轴承设备的历史数据中提取不同模式信号的特 征波形‚用已有工况的数据得到的特征波形构造模 式识别库‚实现对待测样本信号的识别．使用电机 转速为 1772ｒ·ｍｉｎ —1‚Ｌ＝150‚Ｍ＝9时得到的模式 识别库‚对转速为 1797、1750和 1730ｒ·ｍｉｎ —1下的 信号样本 （每种模式 100个 ）进行模式识别‚结果如 表 4所示．由表可知‚不同转速下的信号的模式识 别准确率均在 96∙25％以上．对于复合故障的情形‚ 由于轴承的周期性旋转‚其振动信号呈现一定的周 期性‚因而仍然存在周期性出现的特征波形．通过 特征波形构造模式识别库‚实现轴承复合故障的模 式识别． 表 4 不同转速时的识别结果 Ｔａｂｌｅ4 Ｒｅｃｏｇｎｉｔｉｏｎｒｅｓｕｌｔｓｗｉｔｈｄｉｆｆｅｒｅｎｔｒｏｔａｔｅｓｐｅｅｄｓ ％ 转速／ （ｒ·ｍｉｎ—1） 正常 轴承 滚动体 故障 内圈 故障 外圈 故障 总体 识别率 1797 100 97 96 92 96∙25 1750 100 94 100 96 97∙50 1730 100 100 100 92 98∙00 另外‚本文在模式匹配库上只进行一阶匹配分 析‚主要是因为长度为 512的信号只包含了信号的 一个周期‚特征波形只出现了一次．如果改变原子 长度和测试样本的长度‚可以考虑采用多阶匹配分 析‚并根据匹配原子的来源实现模式识别．在模式 识别计算过程中‚由于每类模式的原子库是由基原 子模型沿时间轴的逐点平移来构造的‚因此用测试 样本与基原子模型的互相关运算代替测试样本与每 类模式原子库中的所有原子的内积运算‚可以提高 计算的效率． 4 方法对比分析 为了对比分析本文方法的特色与优势‚选择统 计特征量作为分类器的输入量‚使用支持向量机 （ＳＶＭ）对信号数据进行模式识别．在故障诊断领 域‚ＳＶＭ方法比神经网络等传统的方法具有更好的 分类性能 ［11--12］．考虑四类模式信号的特点‚正常轴 承信号 （Ｎ）和滚动体故障信号 （Ｂ）特征相近‚内圈 故障信号 （Ｉ）和外圈故障信号 （Ｏ）特征相近‚所以采 用树形 ＳＶＭ．树型 ＳＶＭ的第 1层把四类分成 （Ｎ‚ Ｂ）、（Ｉ‚Ｏ）两类‚对应的支持向量机 ＳＶＭ1‚第2层将 两类分别分开‚ＳＶＭ2将 Ｎ、Ｂ分开‚ＳＶＭ3将 Ｉ、Ｏ分 开．支持向量机输入特征量的选择‚主要根据信号 统计指标对不同模式的可区分性‚选择均方根值、裕 度指标作为 ＳＶＭ1的输入特征量‚均方根值、均值作 为 ＳＶＭ2的输入特征量‚波形指标、脉冲指标作为 ＳＶＭ3的输入特征量．使用与本文方法相同的数据 进行 ＳＶＭ 的训练和模式识别‚每种模式长度为 11000个点的信号可得到21个样本 （长度为512）用 于 ＳＶＭ的训练‚每种模式 100个样本用于测试．当 选择径向基函数作为 ＳＶＭ的核函数时‚模式识别的 效果最好‚总体识别率为 91∙25％． 结果表明‚基于统计指标的信号模式识别方法 比本文基于特征波形稀疏匹配的方法识别率要低一 些．该方法选择信号的统计指标作为特征量‚要求 信号具有一定的平稳性‚而信号是非平稳的．相比 之下‚本文的方法是与信号的幅值无关的‚不受信号 幅值波动的影响‚因此具有更好的模式识别能力． 另外‚本文的方法通过 ＭＰ分析实现模式分类‚避免 了分类器的设计环节‚降低了模式识别的复杂度． 以信号中的特征波形作为特征量‚特征波形反映了 轴承振动的固有特性‚相比统计特征量更直观‚物理 意义更为明确． 5 结论 （1） 本文从信号波形所内涵的特征形态的角 度‚发现同一故障模式的信号存在重复出现的特征 波形‚不同故障模式信号的特征波形存在着差异‚差 异性隐含着可识别性． （2） 为了实现特征波形的自动搜索‚本文自行 设计了特征波形搜索方法‚并利用 ＭＯＤ方法对找 出的多段特征波形进行优化‚从而得到了一段特征 波形作为基原子模型来构造原子库． （3） 运用信号 ＭＰ分析原理‚提出了轴承故障 模式识别的新方法‚并对正常轴承、滚动体故障、内 圈故障和外圈故障四类模式信号进行实验．结果表 明‚当特征波形长度 Ｌ＝50、Ｍ＝4～8时信号模式的 总体识别率均在 96％以上‚当 Ｌ＝150、Ｍ＝9时总体 识别率达到了 98∙75％‚证实了方法的有效性． （4） 使用电机转速为 1772ｒ·ｍｉｎ —1‚Ｌ＝150‚ Ｍ＝9时得到的模式识别库‚对转速为 1797、1750 和 1730ｒ·ｍｉｎ —1下的信号样本进行模式识别‚准确 ·395·