基于EEMD-SVM的自动扶梯主驱动轴轴承故障诊断方法研究

孟庆宇

(中铁第四勘察设计院集团有限公司，湖北 武汉 430063)

0 引言

目前，自动扶梯应用广泛，已成为公共交通领域中不可或缺的部分，特别是在车站及地铁等人流量密集的地点，自动扶梯都被大量投入使用。随着自动扶梯越来越重要的今天，自动扶梯事故却呈上升趋势，公众对自动扶梯运行故障诊断需求越发强烈。国外知名的大型电梯公司都开发有其专属的电梯监控系统[1]，但存在以下问题：只能实现故障报警，无法实现故障诊断及预测；没有建立设备健康指标体系，无法提供设备健康趋势预判，对运维帮助有限。国内对自动扶梯监控系统的相关研究起步较晚，在功能性及适用性方面都有较大欠缺。目前国内开发的电梯监控系统只是实时监测自动扶梯的运行状态，无故障诊断功能，在许多方面均存在不足。

传统的时频处理方法有傅里叶变换，小波变换等，这些方法局限于平稳信号，而轴承发生故障时的振动信号以非平稳信号为主。所以本文在现有特征提取与故障识别方法基础上，提出一种基于EEMD-SVM的自动扶梯主驱动轴轴承故障诊断方法，实现了对自动扶梯主驱动轴轴承进行故障预测及诊断，能够有效预防自动扶梯事故的发生。

1 基于EEMD的信号分解

在采集自动扶梯主驱动轴轴承振动信号的过程中，会因各种原因导致采集到的信号不是理想的故障状态振动信号，所以，如何提取振动信号里能准确表征故障状态的特征是研究的关键[2]。

经验模态分解(EMD)相较于傅里叶变换等传统的时频分析方法来说，其在分析类似于轴承振动信号这类非平稳信号方面具有更好的效果。往往一个复杂的故障振动信号，通过EMD分解，能够分解成数个本征模态函数(IMF)，每个IMF分量具有不同的特征时间尺度，它代表了原信号在该特征时间尺度范围内的信号分量。因此，EMD具有自适应性强和信噪比高的特点。

虽然EMD在分析轴承振动信号这类非平稳、非线性信号具有更好的效果，但是EMD仍然有2点影响其应用的缺陷，分别是端点效应与模态混叠现象。这2点缺陷都会影响EMD分解结果的准确性和精准度，而从影响EMD的应用价值。针对这一问题，Wu等提出了集合经验模态分解法(EEMD)[3]。EEMD是通过往原始信号中添加m组白噪声，形成由m个信号组成的信号组，然后对每个信号进行EMD分解得到m组IMF分量由这m组分量求总体平均，从而消除白噪声的影响，将结果作为EEMD分解的IMF分量。

其具体分解步骤和原理如下：

a.一组白噪声信号有m个，设为{n1(t),n2(t),…,nm(t)}，根据白噪声的特性，每个白噪声信号的方差相等、均值为零。将该组白噪声信号添加进原始振动信号x0(t)，可得到由m个信号组成的一组信号{x1(t),x2(t),…,xm(t)}：

xi(t)=x0(t)+ni(t),i=1,2,…,m

(1)

b.将加入白噪声后形成的信号组{x1(t),x2(t),…,xm(t)}中的每一个信号xi(t)进行EMD分解，得到n个IMF分量ci1(t),ci2(t),…,cin(t)和残余分量Resin(t)之和。

c.对每个信号xi(t)重复以上步骤，得到m组IMF分量{[c11(t),c12(t),…,c1n(t)],…,[cm1(t),cm2(t),…,cmn(t)] }和m组余量[Res1n,Res2n,…,Resmn]T。

d.求出m组IMF分量所对应的均值序列{c1,c2,…,cn}和m组余量的均值Res

(2)

cj表示原始振动信号x0(t)通过EEMD分解后得到的第j个IMF分量;m则表示加入了m组白噪声信号;原始振动信号x0(t)通过EEMD分解后，可以表示为

(3)

由于往原始信号中添加了白噪声，为了消除白噪声的影响，可以利用其方差相等、均值为零的特性，将原始信号使用EMD分解得到的每一组IMF求总体平均，作为EEMD分解得到的IMF分量。

通过某电梯维保公司，采集维保过程中故障自动扶梯的主驱动轴轴承振动加速度信号，如图1所示。

图1 采集振动加速度信号

2 故障信号特征提取

提取故障信号的特征是故障识别的关键所在，将故障振动信号进行EEMD分解得到的每一阶IMF所具有的能量都代表了该故障振动信号在相应频带内的能量[4]。因此每一阶IMF分量的能量与自动扶梯主驱动轴轴承故障振动信号之间具有映射关系，通过建立这种映射关系，以IMF的能量作为特征来组成特征向量，作为故障信号特征，从而进行自动扶梯主驱动轴轴承故障预测与诊断。

进行故障信号能量特征提取的具体步骤如下：

a.根据故障振动信号分解出的IMF分量计算能量Ei。计算各IMF分量的能量Ei为

(4)

b.构造特征向量。向量[E1,E2,…,En]表示原始信号能力在不同频带内的组成。为了便于分析和处理，对上述向量归一化，得到最终的特征向量为

(5)

以一组轴承外圈故障信号为例，该信号各阶IMF能量组成的特征向量为T=[0.833,0.491,0.152,0.205,0.004,0.003,0.000,0.000,0.000]。其能量分布如图2所示。

图2 故障信号能量分布直方图

该信号能量集中分布在前5阶IMF，剩余的IMF分量则无明显物理意义，属于虚假分量。

将各类自动扶梯主驱动轴轴承故障振动信号EEMD分解后的前5阶IMF能量组成5维的特征向量，其中一组向量如表1所示。

表1 部分特征向量样本

3 基于SVM的故障诊断模型建立

支持向量机(SVM)是一种基于统计学理论结构风险最小化原则的机器学习方法[5-6]。然而，在现实问题中，遇到的大多是非线性问题，往往线性不可分。针对这种情况，SVM基于核函数将二维空间中无法分类的数据映射到高维空间[7]，从而使得这些数据在高维空间里线性可分。

对自动扶梯主驱动轴轴承进行故障诊断，需要建立诊断模型，基于SVM建立故障诊断模型步骤如下：

a.采集自动扶梯主驱动轴轴承外圈故障、内圈故障、滚动体故障、相关紧固件松动和正常状态等5种状态，每种状态分别采集20组信号、40组信号组成训练、测试样本。训练样本共100组，测试样本共200组。

b.取训练样本EEMD分解后的前5阶IMF来计算能量值组成5维的特征向量。

c.基于100组训练样本建立SVM的故障识别模型并进行训练。

d.基于训练好的SVM故障识别模型，将200组测试样本组成的特征向量作为输入，从而验证该识别模型的正确率。

将轴承外圈故障，内圈故障，滚动体故障，相关紧固件松动，正常状态的类别分别设定为1，2，3，4，5。基于SVM建立故障诊断模型如图3所示。

图3 基于SVM的故障诊断模型

4 试验验证

通过训练样本建立SVM故障识别模型后，以测试样本进行该模型的验证。同样的，测试样本也分为轴承外圈故障等5种状态，以原始信号EEMD分解后得到的每阶IMF的能量来组成特征向量，将其输入到训练好的SVM故障识别模型中进行识别，识别正确率对比如图4所示。

诊断结果正确率如表2所示。

通过表2可以看出，总体分类正确率高达95.5%，试验验证可以得出基于EEMD-SVM的方法进行自动扶梯主驱动轴轴承故障诊断具有较高的准确率。

图4 轴承故障诊断结果

表2 自动扶梯主驱动轴轴承故障诊断正确率

5 结束语

本文提出一种基于EEMD-SVM的自动扶梯主驱动轴轴承故障诊断方法。使用EEMD对自动扶梯主驱动轴轴承振动加速度信号进行分解来提取故障信号的能量特征，以此建立SVM故障识别模型，然后基于该模型对故障信号进行诊断，从而确定信号状态。该方法能较为准确地识别故障，实现了对自动扶梯主驱动轴轴承进行故障预测及诊断，能够预测故障发生部位，可以有效预防自动扶梯事故的发生。