基于形态分量分析和EEMD 样本熵的自动机故障诊断*

王 斐，房立清，赵玉龙，齐子元

（1.武警士官学校军械系，杭州 310023；2.陆军工程大学石家庄校区火炮工程系，石家庄 050003）

0 引言

自动机是高炮武器系统火力部分的核心部分，其零部件众多，机构运动复杂，是一种典型的往复式运动机械，并且在工作过程中承受着高温、高压、高冲击过载等恶劣的工况条件，易产生零部件磨损、烧蚀、疲劳等故障［1］。目前，采集自动机运行过程中的振动信号进行分析是进行故障诊断的重要方法，但是，对于自动机振动信号的处理，存在着一些问题：作为一种往复式运动机械，其振动信号呈现出非平稳性、非周期性和短时冲击性［2］，同时由于机构运动的复杂性及恶劣的工况条件，各种激励源产生的振动信号相互耦合，导致自动机振动信号的冲击特征常常淹没于强背景信号与噪声中，故障信息较为微弱，这增加了自动机故障特征提取及故障诊断的难度。

对自动机信号进行降噪并增强其冲击特性是进行自动机故障诊断的重要步骤，目前，对于自动机降噪方面的研究还相对较少。文献［4］采用小波阈值降噪的方法对自动机振动信号进行了降噪处理，但是小波分解过程当中时频域相互重叠且阈值难以确定，这限制了小波消噪的使用范围。文献［5］采用局域波方法对自动机信号进行了降噪处理，但是从效果来看，其对故障冲击特性的提升作用不是非常明显。文献［6］研究了独立分量分析（Independent component Analysis，ICA）在去除自动机振动信号中的干扰信号和噪声的方法，然而，ICA 对于信号成分统计独立的假设条件，并不适用于所有的情况。同时，针对以自动机为代表的往复式机械振动信号的降噪与特征增强效果也没有明确的方法。

形态分量分析（Morphological Component Analysis，MCA）是Starck 等人提出的基于稀疏表征的信号处理方法，它根据信号中各组成成分的形态差异性，构建不同的稀疏表示字典对各组成成分进行分离［7-8］。MCA 方法在机械信号成分分离方面有了很多的应用，并取得了良好的效果，如Li［9］利用MCA方法实现了齿轮箱复合故障振动信号的有效分离，提高了从强噪声环境中提取瞬态冲击特征的能力。CHEN［10］提出了基于半软阈值的形态分量分析方法，有效地提取了转子早期碰摩故障信号中的冲击成分，在转子早期碰摩故障的诊断中取得良好效果。Xu［11］等将基于形态分量分析（MCA）的双树复小波降噪方法应用于齿轮的故障诊断中，得到了清晰的故障特征频率，为齿轮早期故障特征提取提供了新的方法。以上应用实例表明MCA 方法可以从原始信号中有效分离出包含主要故障信息的冲击成分，对于机械信号故障特征提取具有良好的效果。

EEMD［12］方法是一种自适应信号处理方法，是EMD［13］方法的改进形式，可以有效解决EMD 方法存在的模态混叠缺陷，在机械信号处理和故障诊断领域具有广泛的应用和良好的效果。

样本熵［14］是由Richman and Moorman 提出的一种时间序列复杂度度量方法，是近似熵的一种改进形式，它不需要以对数作为计算模型，克服了数据偏差，具有很强的抗噪能力和优异的一致性，采用较少的数据段即可得到稳定的熵值。

本文将形态分量分析方法引入自动机振动信号的预处理上，设置多种故障模拟试验，实现噪声成分的去除及冲击成分的有效分离，之后通过对冲击分量进行EEMD 分解，并求取IMF 分量的样本熵值作为特征向量输入PSO-SVM［15-16］中进行识别，结果表明基于MCA-EEMD 样本熵的特征提取方法可以有效地进行自动机状态监测和故障诊断。

1 形态分量分析

MCA 是基于信号成分的形态多样性提出的一种基于稀疏表征的信号分解方法，是基追踪（Basic Pursuit，BP）与匹配追踪（Matching Pursuit，MP）方法的结合，通过在过完备字典下搜寻信号的最稀疏表示形式来达到分离信号的目的。具体原理如下：

式（1）可转化为如下形式：

形态分量分析的具体实现步骤如下：

2）在每次迭代过程中，对于不同的n 分别进行如下迭代计算，直到。

对αn进行阈值处理，记为；

2 仿真算例分析

为了验证MCA 方法对振动信号中冲击成分的分离效果，构造了包含谐振成分h（t）、冲击成分s（t）、高斯白噪声成分n（t）的混合信号y（t）。其中，h（t）由频率分别为60 Hz 的正弦和90 Hz 的余弦成分混合构成；s（t）为随机产生的若干个瞬态冲击成分；高斯白噪声n（t）能量为3 Dbw。仿真合成信号y（t）的采样频率为1 024 Hz，采样时间为0.5 s，合成信号及包含的多种成分如图1 所示。从图1 可知合成信号中的冲击成分已淹没在谐波分量和高斯噪声之中，无法辨别。

图1 仿真合成信号及包含的多种成分

仿真分析中选取局部离散余弦变换字典表示仿真信号中的谐波成分；选取Dirac 字典用于表示信号中的瞬态冲击成分，阈值设置为半软阈值，迭代次数设置为200 次。仿真合成信号经MCA 方法分解得到如图2 所示的各分量成分，从分析结果上看，各字典匹配成分与谐振分量和冲击分量在形态和幅值上吻合度很高，并且很好地分离出了高斯噪声。仿真信号分析结果表明，MCA 可以很好地分离多源信号成分。

图2 仿真信号MCA 分离结果

3 基于MCA 的自动机信号冲击成分提取方法

自动机在运行时振动信号呈现出非平稳性、非周期性和短时冲击等特性，信号中含有丰富的反映其工作状态的信息，对自动机运行规律及振动信号特点进行分析，自动机信号由3 部分组成：运行过程中产生谐波成分、反映自动机零件主要故障信息的冲击成分以及背景噪声。当自动机中某个关重件发生裂纹，磨损等故障时，其冲击特性也将发生某种程度的变化，某一部分的冲击信号将有一定突变，反映在信号当中，如冲击部分振幅的变化和部分冲击成分位置的变化；在早期自动机故障中，这种变化极为微弱，冲击成分的变化很大程度上淹没在平滑成分及背景噪声之中，这为进行自动机故障诊断带来很大困难。因此，如果能从自动机振动信号中提取并增强冲击特征，识别正常状态及故障状态冲击成分的变化情况，将为自动机故障诊断提供重要的依据。自动机信号中3 种成分的差异性很大，利用MCA 在信号分离方面的优势，实现冲击信号的降噪与提取，对冲击成分进行进一步的处理，从而实现自动机的故障诊断。基于形态分量分析的自动机振动信号具体处理步骤如下：

1）字典选择。根据自动机振动信号特点，选取离散余弦变换字典（LDCT）用于稀疏表示平滑成分，构建非抽样离散小波变换（UDWT），小波字典用于稀疏表示振动信号中的冲击部分，残余成分为背景噪声成分。

2）MCA 参数设置。MCA 分析过程中，MCA 阈值选择为半软阈值［17-18］，迭代次数为100。

3）对自动机信号进行MCA 分析，得到谐波成分、冲击成分以及残余分量。对得到的冲击分量进行进一步的故障特征提取。

4 自动机故障诊断模型

以上仿真信号分析说明MCA 具有较好的信号分离和降噪效果。以此为基础，提出了一种新的自动机故障诊断方法，将MCA 应用于自动机振动信号的预处理上，从中提取出反应故障主特征的冲击分量，对其进行EEMD 分解，并计算分解信号的样本熵值组成故障特征向量，进而实现故障诊断。具体的自动机故障诊断流程如图3 所示。

图3 自动机故障诊断流程图

5 自动机故障试验分析

为了进一步验证自动机故障诊断模型的有效性，进行自动机故障试验。在自动机实际工作过程中，受高温、高压、强烧蚀、高射速等工况条件的影响，自动机闭锁块易发生磨损、点蚀故障；输弹机构中的输弹簧易发生疲劳故障；由于相关试验条件的限制，通过预制故障模拟以上3 种故障形式：1）在闭锁块工作面设置深度为0.2 mm 的磨损面，磨损面宽度为2 mm（F1）；2）在闭锁块工作面中心位设置两个深度为1 mm、直径为5 mm 的点蚀坑，呈对称分布（F2）；3）选取一根实际工作中疲劳失效的输弹簧模拟弹簧疲劳失效故障（F3）。具体故障设置如图4 所示。

图4 自动机故障设置

实验中将三向压电式加速度传感器CA-YD-193 布置于自动机故障诊断试验平台上，采用手动开关自动机炮闩的方式采集沿身管轴向的振动加速度信号，采样频率10 kHz。所采集到的正常情况及3 种故障情况下的振动信号如图5 所示。由于故障信号是谐波成分、冲击成分以及噪声成分的混叠，这就导致得到的自动机故障信号无论在幅值上还是形态上极为相似，无法明确辨别各状态下的冲击特征规律，无法直接通过信号来判断不同的故障状态。

图5 自动机原始振动信号

在原始自动机振动信号中，绝大部分故障信息隐藏在冲击成分之中，提取信号中有效的冲击成分是进行故障特征提取的关键，下面以正常状态下的故障信号为例对其进行MCA 处理。得到如下页图6所示的谐波分量、冲击分量和残余分量。从图中可知，图6（b）中分量包含了原始信号中绝大部分的冲击成分，且基本没有噪声的干扰，冲击特征相比原始信号更加明显。

对自动机3 种故障进行MCA 处理，所得到的冲击分量如图7 所示。从信号形态上看，各故障情况下的冲击分量相比原始信号冲击特征得到了加强。

图6 正常状态下信号的形态分量分析

图7 故障情况下冲击分量

采用EEMD 方法对MCA 分析之后得到的冲击分量进行自适应分解，分解层数为10，得到10 个IMF 分量和一个残余分量，按照相关性选取原则选取IMF1-IMF6 分量作为研究对象，图8 为磨损信号EEMD 分解后的IMF1-IMF6 分量。分别计算6 个IMF 信号的样本熵值，从而实现在多个尺度上对自动机故障信号特征的精确刻画，所得到的各状态下的样本熵值如表2 所示，之后将各IMF 信号的样本熵值作为故障特征样本输入PSO-SVM 进行识别，其中，30 组作为训练样本，20 组作为测试样本。为说明本文所提特征提取方法的优势，将MCA-EEMD样本熵与EEEMD 样本熵值特征提取方法进行比较，得到的PSO-SVM识别结果如下页表2 所示，由表2 可知，MCA-EEMD 样本熵方法相比EEMD 样本熵在故障识别率上有较大程度的提高，这说明本文所提故障诊断模型对自动机故障诊断有良好的效果。

图8 磨损振动信号EEMD 分解结果（前6 阶IMF 分量）

表1 EEMD 分解下IMF 分量的样本熵值

6 结论

针对自动机故障诊断过程中振动信号故障特征较难提取的问题，提出了基于MCA 和EEMD 样本熵的自动机故障特征提取方法。通过仿真分析及自动机磨损、点蚀和疲劳故障诊断实验表明了该方法可以有效实现自动机振动信号的特征提取。可以得出以下具体结论：

表2 PSO-SVM识别结果

1）MCA 方法具有良好的信号分离效果，能够提取出自动机振动信号中包含主要故障信息的冲击成分；

2）本文所提出的基于MCA-EEMD 样本熵的故障诊断模型可以有效地进行自动机故障诊断。