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 ,393. 0.5 05r 0.5 0.5r 0.5r 05 0∽M 06 h//www oFWiww 0.5 -05 0 50 0 50 50 00 50 0 50 0.5 0.5 05 ornVM ovvv wWWwm WWMw 0 -05 500 500 0% 50 05 0.5 05 0.5 0.5 05 vy 0 06 vv 500.% 0 -05 500.6 500.56 场 05 0.5 0V⌒⌒优化后的波形 0 Miwwww优化后的波形 名 050 50 -0.5 信号序列点数 信号序列点数 0.5 0.5 05r 0.5 0 0.5- OM wwiw- ohi-w 05 -05 -0.5 0. 0.5 50 50 50 50 50 0 0 05 05r 0.5 0.5 0.5 0.5 0 -0.5 -05 -0.5 50 0.5 0.5 50 50 50 50 03 0.5 0.5 0.5 0.5r w 0.5 05 0.5 50 50 0 50 50 05 0.5 优化后的波形 olM-Wwn- 优化后的波形 d 50 0 信号序列点数 信号序列点数 图2四类模式信号的特征波形·(a)正常轴承；(b)滚动体故障：(c)内圈故障：(d)外圈故障 Fg2 CWs of four pattems (a)nomal bearing (b)ball fault (c)inner mace fault (d)outer race fault (1)设欲搜索的相似波形的段数为Q,相似波 形.图2中每幅分图的前9段是待学习的特征波 形的搜索域为P.一般通过观察，估计信号幅值变 形，第10段是利用第1节中所述方法得到的优化后 化的一个近似周期.对于图3周期T可以取为445 特征波形 个点，相似波形的出现存在一定的周期性，要搜索 2.3信号模式识别 出Q段相似波形，相似波形的搜索域P≥445×0 利用前述原子库构造方法，分别将正常、滚动体 为了使搜索出的波形相似性足够高，可以适当地扩 故障、内圈故障和外圈故障四类信号优化后的特征 大搜索范围 波形作为基原子模型来构造原子库，构造的原子库 分别记为N、B、和0，构造的原子长度均为512将 N、B、和O组合，形成模式匹配库D.为了实现信 号的模式识别，首先将待识别信号数据按原子长度 512进行分段，每段数据视为一个测试样本.每个测 000 20003000 4000 5000 试样本在模式匹配库D上进行一阶MP分析，得到 信号序列点数 一个最匹配原子，匹配原子来自哪个原子库，认为该 图3外圈故障振动信号 信号属于哪类故障模式，每类模式的信号取100个 Fig 3 V bration signal of out race fault 测试样本进行实验，四类模式的识别率分别为 (2)设置相似波形的长度L(L小于周期T), 100%、94%、97%和96%，总体识别率为96.7%. 进行相似波形的搜索，从信号中找出一段长度为L 由于正常轴承振动信号的特征波形与故障轴承的特 且最能代表信号特征的波形，在搜索域的其余部分 征波形差异较大，所以识别率达到了100%.信号与 通过遍历搜索，找出与这段波形相关系数最大的 对应的原子库都有较好的匹配，识别率均在94% Q一段相似波形，并确保它们来自信号不同的周期 以上 内.这样得到的Q段相似波形即为信号的特征 3讨论 波形 根据上面的搜索步骤，设定L=50Q=9、P= 由前面的模式识别过程可知，影响结果的最直 11000从正常轴承、滚动体故障、内圈故障和外圈 接因素是用于构造原子库的特征波形，其与初始随 故障四类模式信号中分别得到了待学习的特征波 机产生的待优化波形是无关的，只与学习样本有关第 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 图 2 四类模式信号的特征波形 ∙（ａ） 正常轴承；（ｂ） 滚动体故障；（ｃ） 内圈故障；（ｄ） 外圈故障 Ｆｉｇ．2 ＣＷｓｏｆｆｏｕｒｐａｔｔｅｒｎｓ：（ａ） ｎｏｒｍａｌｂｅａｒｉｎｇ；（ｂ） ｂａｌｌｆａｕｌｔ；（ｃ） ｉｎｎｅｒｒａｃｅｆａｕｌｔ；（ｄ） ｏｕｔｅｒｒａｃｅｆａｕｌｔ （1） 设欲搜索的相似波形的段数为 Ｑ‚相似波 形的搜索域为 Ｐ．一般通过观察‚估计信号幅值变 化的一个近似周期．对于图 3‚周期 Ｔ可以取为 445 个点．相似波形的出现存在一定的周期性‚要搜索 出 Ｑ段相似波形‚相似波形的搜索域 Ｐ≥445×Ｑ． 为了使搜索出的波形相似性足够高‚可以适当地扩 大搜索范围． 图 3 外圈故障振动信号 Ｆｉｇ．3 Ｖｉｂｒａｔｉｏｎｓｉｇｎａｌｏｆｏｕｔｒａｃｅｆａｕｌｔ （2） 设置相似波形的长度 Ｌ（Ｌ小于周期 Ｔ）‚ 进行相似波形的搜索．从信号中找出一段长度为 Ｌ 且最能代表信号特征的波形．在搜索域的其余部分 通过遍历搜索‚找出与这段波形相关系数最大的 Ｑ—1段相似波形‚并确保它们来自信号不同的周期 内．这样得到的 Ｑ段相似波形即为信号的特征 波形． 根据上面的搜索步骤‚设定 Ｌ＝50、Ｑ＝9、Ｐ＝ 11000‚从正常轴承、滚动体故障、内圈故障和外圈 故障四类模式信号中分别得到了待学习的特征波 形．图 2中每幅分图的前 9段是待学习的特征波 形‚第 10段是利用第 1节中所述方法得到的优化后 特征波形． 2∙3 信号模式识别 利用前述原子库构造方法‚分别将正常、滚动体 故障、内圈故障和外圈故障四类信号优化后的特征 波形作为基原子模型来构造原子库‚构造的原子库 分别记为 Ｎ、Ｂ、Ｉ和 Ｏ‚构造的原子长度均为512．将 Ｎ、Ｂ、Ｉ和 Ｏ组合‚形成模式匹配库 Ｄ．为了实现信 号的模式识别‚首先将待识别信号数据按原子长度 512进行分段‚每段数据视为一个测试样本．每个测 试样本在模式匹配库 Ｄ上进行一阶 ＭＰ分析‚得到 一个最匹配原子‚匹配原子来自哪个原子库‚认为该 信号属于哪类故障模式．每类模式的信号取 100个 测试样本进行实验‚四类模式的识别率分别为 100％、94％、97％和 96％‚总体识别率为 96∙75％． 由于正常轴承振动信号的特征波形与故障轴承的特 征波形差异较大‚所以识别率达到了 100％．信号与 对应的原子库都有较好的匹配‚识别率均在 94％ 以上． 3 讨论 由前面的模式识别过程可知‚影响结果的最直 接因素是用于构造原子库的特征波形‚其与初始随 机产生的待优化波形是无关的‚只与学习样本有关． ·393·