姜万录等：基于EEMD形态谱和支持向量机复合的滚动轴承故障诊断方法 75 4 集总经验模态分解、形态谱和支持向量机 复合的故障诊断方法 首先，该方法对内圈故障、外圈故障和滚动体故障 0.05 0.100.15 0.20 0.25 时间，ts 信号进行集总经验模态分解：其次，由于故障信号中有 冲击能量的存在，所以对其进行集总经验模态分解时， 能量最大的内禀模态分量则认为包含了绝大部分该故 0.05 0.100.150.200.25 障的冲击能量.所以，为了选取故障特征丰富的内禀 时间，s 的 0.5 模态分量作为提取形态谱的数据源，可以通过对分解 KAMdM 出来的内禀模态分量的能量进行分析，从而对内禀模 WNW0 0. 态分量进行筛选，筛选出含有特征信息最丰富的内禀 2 0.05 0.100.15 0.20 0.25 时间.s 模态分量作为诊断用数据源，提取该分量在选定尺度 05 d 范围内的形态谱作为样本：再次，利用训练样本对支持 0补4华仲中中 向量机进行训练：最后，用训练后的支持向量机对新的 -0.5 0 0.05 0.100.15 0.20025 待识别状态的测试样本进行诊断，完成对故障的识别， 时间.s 方法流程如图3所示 图4内圈故障信号及其分量.(a)内圈故障信号：(b)内禀模 态分量1：(c)内禀模态分量2：(d)内禀模态分量3 对故障信号 基于最大能量法 Fig.4 Signals of inner fault and its component:(a)inner fault sig- 进行集总经验 洗某一内禀模态 模态分解处理 分量为数据源 nal:(b)IMF,(c)IMF2:(d)IMF3 选定尺度范围 内进行形态谱 的提取 禀模态分量的能量值 将故障测试样本 将故障训练样本 输入到支持 输人到支持 表13类信号及其前3个内禀模态分量的能量值 向量机进行诊断 向量机进行训练 Table 1 Power values of the orginal signals and their first three IMFs 图3方法流程图 能量值/V2 信号类型 Fig.3 Flow chart of the proposed method 原信号 IMF IMF2 IMF 内圈 266.903 201.004 35.900 11.912 5滚动轴承故障信号分析 外图 953.752 943.140 14.899 6.073 5.1实验方法 滚动体 61.483 56.962 1.911 1.125 为了验证所提出方法的有效性，本文采用美国 内圈、外圈和滚动体故障类型信号的MF,所占原 Case Western Reserve University提供的滚动轴承正常、 信号总能量的75.31%、98.89%和92.65%，可以得 内圈、外圈和滚动体坑点损伤的故障数据进行实验分 出：MF,包含了原信号的绝大部分冲击能量，即含有大 析验证a.该轴承的型号为SKF6250,实验中内圈、外 量的故障冲击特征信息，所以用能量法筛选出MF,作 圈和滚动体坑点损伤是由电火花机人工加工制作，直 为提取形态谱的数据源的方法有效 径为0.0178mm.电机转速为1750r·min,功率为 5.3基于形态谱特征提取和样本构建 1.497kW,转频约为29Hz.用加速度传感器对电机驱 基于能量法，对经过集总经验模态分解的三种故 动末端进行数据采集，采样频率为12kHz,每组采样长 障类型信号的内禀模态分量进行筛选，选取能量最大 度为1s. 的分量作为数据源叨，提取其在1~10的尺度范围上 5.2故障信号数据源的选取 的形态谱，将其作为训练和诊断用的样本，其中每种故 对内圈故障、外圈故障和滚动体故障状态下均截 障训练和诊断用的样本分别为10和20.各种故障类 取长度为3000点(0.25s)的数据进行特征提取，采用 型在1~10尺度上的形态谱值如图5所示. 集总经验模态分解对其进行分析.以内圈故障信号为 5.4基于集总经验模态分解、形态谱和支持向量机的 例，经过分解后得出11个内禀模态分量和一个剩余分 故障识别 量.图4为内圈故障信号和前三个内禀模态分量的时 三种故障类型的训练样本的数量分别为10组，测 域波形图 试样本的数量分别为20组.先用训练样本对支持向 对这三种故障类型信号的内禀模态分量进行能量 量机进行训练，之后用训练后的支持向量机对三种故 分析，可得每种故障类型信号的前三个内禀模态分量 障的测试样本进行诊断，诊断流程如图3所示.同时， 的能量值为最大，表1为内圈故障信号及其前3个内 分别用KFCM聚类、FCM聚类和K-means聚类等方法姜万录等: 基于 EEMD 形态谱和支持向量机复合的滚动轴承故障诊断方法 4 集总经验模态分解、形态谱和支持向量机 复合的故障诊断方法 首先，该方法对内圈故障、外圈故障和滚动体故障 信号进行集总经验模态分解; 其次，由于故障信号中有 冲击能量的存在，所以对其进行集总经验模态分解时， 能量最大的内禀模态分量则认为包含了绝大部分该故 障的冲击能量． 所以，为了选取故障特征丰富的内禀 模态分量作为提取形态谱的数据源，可以通过对分解 出来的内禀模态分量的能量进行分析，从而对内禀模 态分量进行筛选，筛选出含有特征信息最丰富的内禀 模态分量作为诊断用数据源，提取该分量在选定尺度 范围内的形态谱作为样本; 再次，利用训练样本对支持 向量机进行训练; 最后，用训练后的支持向量机对新的 待识别状态的测试样本进行诊断，完成对故障的识别， 方法流程如图 3 所示． 图 3 方法流程图 Fig． 3 Flow chart of the proposed method 5 滚动轴承故障信号分析 5. 1 实验方法 为了验证所提出方 法 的 有 效 性，本 文 采 用 美 国 Case Western Reserve University 提供的滚动轴承正常、 内圈、外圈和滚动体坑点损伤的故障数据进行实验分 析验证［16］． 该轴承的型号为 SKF6250，实验中内圈、外 圈和滚动体坑点损伤是由电火花机人工加工制作，直 径为 0. 0178 mm． 电机转速为 1750 r·min － 1 ，功 率 为 1. 497 kW，转频约为 29 Hz． 用加速度传感器对电机驱 动末端进行数据采集，采样频率为 12 kHz，每组采样长 度为 1 s． 5. 2 故障信号数据源的选取 对内圈故障、外圈故障和滚动体故障状态下均截 取长度为 3000 点( 0. 25 s) 的数据进行特征提取，采用 集总经验模态分解对其进行分析． 以内圈故障信号为 例，经过分解后得出 11 个内禀模态分量和一个剩余分 量． 图 4 为内圈故障信号和前三个内禀模态分量的时 域波形图． 对这三种故障类型信号的内禀模态分量进行能量 分析，可得每种故障类型信号的前三个内禀模态分量 的能量值为最大，表 1 为内圈故障信号及其前 3 个内 图 4 内圈故障信号及其分量． ( a) 内圈故障信号; ( b) 内禀模 态分量 1; ( c) 内禀模态分量 2; ( d) 内禀模态分量 3 Fig． 4 Signals of inner fault and its component: ( a) inner fault sig￾nal; ( b) IMF1 ; ( c) IMF2 ; ( d) IMF3 禀模态分量的能量值． 表 1 3 类信号及其前 3 个内禀模态分量的能量值 Table 1 Power values of the orginal signals and their first three IMFs 信号类型 能量值/V2 原信号 IMF1 IMF2 IMF3 内圈 266. 903 201. 004 35. 900 11. 912 外圈 953. 752 943. 140 14. 899 6. 073 滚动体 61. 483 56. 962 1. 911 1. 125 内圈、外圈和滚动体故障类型信号的 IMF1所占原 信号 总 能 量 的 75. 31% 、98. 89% 和 92. 65% ，可 以 得 出: IMF1包含了原信号的绝大部分冲击能量，即含有大 量的故障冲击特征信息，所以用能量法筛选出 IMF1作 为提取形态谱的数据源的方法有效． 5. 3 基于形态谱特征提取和样本构建 基于能量法，对经过集总经验模态分解的三种故 障类型信号的内禀模态分量进行筛选，选取能量最大 的分量作为数据源［17］，提取其在 1 ～ 10 的尺度范围上 的形态谱，将其作为训练和诊断用的样本，其中每种故 障训练和诊断用的样本分别为 10 和 20． 各种故障类 型在 1 ～ 10 尺度上的形态谱值如图 5 所示． 5. 4 基于集总经验模态分解、形态谱和支持向量机的 故障识别 三种故障类型的训练样本的数量分别为 10 组，测 试样本的数量分别为 20 组． 先用训练样本对支持向 量机进行训练，之后用训练后的支持向量机对三种故 障的测试样本进行诊断，诊断流程如图 3 所示． 同时， 分别用 KFCM 聚类、FCM 聚类和 K-means 聚类等方法 ·75·