论文部分内容阅读
摘 要：滚动轴承是各种机械设备中最常见的零部件，同时也是易损坏的零件之一。机械的许多故障都与滚动轴承有关，它的运行状态是否正常往往直接影响到整台机器的性能。因此开展对滚动轴承的故障诊断具有很现实的意义。再分析了支持向量机的基本理论后，提出了基于支持向量机的滚动轴承故障诊断方法，并且进行了MATLAB仿真实验，验证支持向量机的诊断效果，实验结果表明此方式适用于滚动轴承故障诊断。
关键词：滚动轴承 故障诊断 支持向量机 MATLAB
中图分类号：TH13 文献标识码：A 文章编号：1672-3791（2014）07（c）-0080-01
滚动轴承是机械工业使用广泛、要求严格的配套件和基础件，被人们称为机械的关节。由于使用范围广泛，决定了轴承品种的多样性和复杂性。由于要求严，决定了轴承质量和性能的重要性。本文的主题在于将支持向量机方法引入到滚动轴承故障诊断这一领域。为轴承故障诊断技术提供一种方法，以期通过这种技术手段来提高轴承故障诊断效率。
1 滚动轴承故障常用的诊断方法
滚动轴承故障诊断的方法很多，根据检测与诊断所采用的状态分量来分类，即按照测取信号的性质来分类，其诊断方法主要有温度检测法、油样分析法、噪声检测法和振动检测分析法等。下面简单介绍一下前两种常用方法。
温度检测法就是如果滚动轴承存在缺陷，轴承的温度很快会发生变化，对滚动轴承进行温度检测的方法很早就用到。但是，对于表面剥落或裂纹、压痕等轴承转动面上的局部损伤，在初期阶段几乎不可能利用温度变化检测出来。因此，根据温度变化进行诊断，在实践中并不理想。但是在工业现场，对滚动轴承的材料或润滑剂等制定温度界限，监视轴承在正常和异常状态下的温度范围，对维持轴承正常运行至关重要。
油样分析法就是当滚动轴承在工作时，滚道面与滚动体之间形成油膜，导致内圈和外圈之间有很大的电阻。如果滚道面或滚动面上存在缺陷，油膜就会遭到破坏而使电阻变小。油膜电阻法就是利用这一性质对滚动轴承的润滑状态进行诊断，该方法对磨损、腐蚀一类缺陷比较敏感，通常适用于旋转轴外露的工作场合。
科学技术的不断发展，使越来越多新的检测技术和诊断方法不断出现并应用于轴承工况监视与诊断中，例如光纤技术。但是由于种种原因和局限性，这些技术还未能真正普及应用于实际的轴承故障诊断中。
2 基于SVM的滚动轴承故障诊断的算法设计
根据支持向量机的基本原理和算法，结合滚动轴承故障诊断的特点，基于SVM的故障诊断方法可以分为三个阶段。
2.1 数据处理阶段
对滚动轴承的原始振动数据提取特征向量，得到每种状态下的数据样本，此阶段又叫做特征提取阶段。
2.2 训练阶段
用支持向量机对处理好的数据样本进行训练，确定各参数的值，找到训练样本中的支持向量，并据此确定最优分类超平面。
2.3 诊断阶段
将待分类的故障数据输入到以上训练好的SVM诊断模型中进行诊断，确定其故障类型。
本文使用Case Western Reserve University Bearing Data Center的实验数据进行仿真验证，分析实验数据，假设我们简单的将轴承状况分为四大类：正常、滚动体故障、内圈故障和外圈故障，并且用标签1、2、3和4分别代表四种状态类别。那么第一阶段对四份原始震动数据提取数据样本，同时建立相应标签，然后分成训练样本与测试样本；第二阶段建立SVM四分类模型，同时对处理好的数据样本进行训练；第三阶段进行将待分类的故障数据输入到以上训练好的SVM诊断模型中进行诊断。
3 仿真实验
分析Case Western Reserve University Bearing Data Center的实验数据，可知轴承故障的类别由负载数、轴承故障位置和轴承故障大小三个因素决定。仿真验证前期设定其中两个因素不变，第三个因素改变，比如设定负载数为1，轴承故障大小为0.007，不定轴承故障位置，这样有四个类别：正常、滚动体故障、内圈故障和外圈故障。分别用标签1、2、3和4代表这四个类别，依此原则进行大量仿真实验。
根据所提供数据的完整性，在前面的实验基础上，定负载数不变，轴承故障位置和故障大小改变进行仿真实验，其中轴承故障位置有内圈、外圈和滚动体三个地方，其中外圈故障为三点钟方向故障，轴承故障大小取0.007、0.014和0.021三种情况，这样就有十个类别：正常、故障大小为0.007的滚动体故障、故障大小为0.014的滚动体故障、故障大小为0.021的滚动体故障、故障大小为0.007的内圈故障、故障大小为0.014的内圈故障、故障大小为0.021的内圈故障、故障大小为0.007的外圈故障、故障大小为0.014的外圈故障、和故障大小为0.021的外圈故障。分别用标签1、2、3、4、5、6、7、8、9和10代表这十个类别，依此原则分别取0、1、2和3负载下的数据样本进行仿真验证。
4 结语
支持向量机是统计学习理论中最年轻的部分，它较好地解决了以往许多学习方法中小样本、非线性和高维数等实际难题，并克服了神经网络等学习方法中网络结构难以确定、收敛速度慢、局部极小点、过学习与欠学习以及训练时需要大量数据样本等不足，可以使在小样本情况下建立的分类器具有很强的推广能力，这对故障诊断而言具有很强的现实意义，为滚动轴承故障的智能诊断提供了一种新的研究方法。本文在详细叙述了统计学习理论和支持向量机算法的基础上，将支持向量机方法成功地应用到滚动轴承故障诊断中。
参考文献
[1] 袁幸，段志善.转子一轴承系统故障非线性振动响应识别方法的研究[J].机床与液压，2008（4）：331-333.
[2] 张浩然，韩正之，李昌刚.支持向量机[J].计算机科学，2002，29（12）：135-137.
[3] 韩捷，张瑞林.旋转机械故障机理及诊断技术[M].北京：机械工业出版社，2007：24-44.
[4] 赵晓玲.滚动轴承故障振动检测方法[J].重庆科技学院院报，2007，9（1）：41-44.
[5] 李兴林，张燕辽，曹茂来，等.滚动轴承寿命试验机及其试验技术的现状及发展[J].试验技术与试验机，2007，47（3）：1-6.
关键词：滚动轴承 故障诊断 支持向量机 MATLAB
中图分类号：TH13 文献标识码：A 文章编号：1672-3791（2014）07（c）-0080-01
滚动轴承是机械工业使用广泛、要求严格的配套件和基础件，被人们称为机械的关节。由于使用范围广泛，决定了轴承品种的多样性和复杂性。由于要求严，决定了轴承质量和性能的重要性。本文的主题在于将支持向量机方法引入到滚动轴承故障诊断这一领域。为轴承故障诊断技术提供一种方法，以期通过这种技术手段来提高轴承故障诊断效率。
1 滚动轴承故障常用的诊断方法
滚动轴承故障诊断的方法很多，根据检测与诊断所采用的状态分量来分类，即按照测取信号的性质来分类，其诊断方法主要有温度检测法、油样分析法、噪声检测法和振动检测分析法等。下面简单介绍一下前两种常用方法。
温度检测法就是如果滚动轴承存在缺陷，轴承的温度很快会发生变化，对滚动轴承进行温度检测的方法很早就用到。但是，对于表面剥落或裂纹、压痕等轴承转动面上的局部损伤，在初期阶段几乎不可能利用温度变化检测出来。因此，根据温度变化进行诊断，在实践中并不理想。但是在工业现场，对滚动轴承的材料或润滑剂等制定温度界限，监视轴承在正常和异常状态下的温度范围，对维持轴承正常运行至关重要。
油样分析法就是当滚动轴承在工作时，滚道面与滚动体之间形成油膜，导致内圈和外圈之间有很大的电阻。如果滚道面或滚动面上存在缺陷，油膜就会遭到破坏而使电阻变小。油膜电阻法就是利用这一性质对滚动轴承的润滑状态进行诊断，该方法对磨损、腐蚀一类缺陷比较敏感，通常适用于旋转轴外露的工作场合。
科学技术的不断发展，使越来越多新的检测技术和诊断方法不断出现并应用于轴承工况监视与诊断中，例如光纤技术。但是由于种种原因和局限性，这些技术还未能真正普及应用于实际的轴承故障诊断中。
2 基于SVM的滚动轴承故障诊断的算法设计
根据支持向量机的基本原理和算法，结合滚动轴承故障诊断的特点，基于SVM的故障诊断方法可以分为三个阶段。
2.1 数据处理阶段
对滚动轴承的原始振动数据提取特征向量，得到每种状态下的数据样本，此阶段又叫做特征提取阶段。
2.2 训练阶段
用支持向量机对处理好的数据样本进行训练，确定各参数的值，找到训练样本中的支持向量，并据此确定最优分类超平面。
2.3 诊断阶段
将待分类的故障数据输入到以上训练好的SVM诊断模型中进行诊断，确定其故障类型。
本文使用Case Western Reserve University Bearing Data Center的实验数据进行仿真验证，分析实验数据，假设我们简单的将轴承状况分为四大类：正常、滚动体故障、内圈故障和外圈故障，并且用标签1、2、3和4分别代表四种状态类别。那么第一阶段对四份原始震动数据提取数据样本，同时建立相应标签，然后分成训练样本与测试样本；第二阶段建立SVM四分类模型，同时对处理好的数据样本进行训练；第三阶段进行将待分类的故障数据输入到以上训练好的SVM诊断模型中进行诊断。
3 仿真实验
分析Case Western Reserve University Bearing Data Center的实验数据，可知轴承故障的类别由负载数、轴承故障位置和轴承故障大小三个因素决定。仿真验证前期设定其中两个因素不变，第三个因素改变，比如设定负载数为1，轴承故障大小为0.007，不定轴承故障位置，这样有四个类别：正常、滚动体故障、内圈故障和外圈故障。分别用标签1、2、3和4代表这四个类别，依此原则进行大量仿真实验。
根据所提供数据的完整性，在前面的实验基础上，定负载数不变，轴承故障位置和故障大小改变进行仿真实验，其中轴承故障位置有内圈、外圈和滚动体三个地方，其中外圈故障为三点钟方向故障，轴承故障大小取0.007、0.014和0.021三种情况，这样就有十个类别：正常、故障大小为0.007的滚动体故障、故障大小为0.014的滚动体故障、故障大小为0.021的滚动体故障、故障大小为0.007的内圈故障、故障大小为0.014的内圈故障、故障大小为0.021的内圈故障、故障大小为0.007的外圈故障、故障大小为0.014的外圈故障、和故障大小为0.021的外圈故障。分别用标签1、2、3、4、5、6、7、8、9和10代表这十个类别，依此原则分别取0、1、2和3负载下的数据样本进行仿真验证。
4 结语
支持向量机是统计学习理论中最年轻的部分，它较好地解决了以往许多学习方法中小样本、非线性和高维数等实际难题，并克服了神经网络等学习方法中网络结构难以确定、收敛速度慢、局部极小点、过学习与欠学习以及训练时需要大量数据样本等不足，可以使在小样本情况下建立的分类器具有很强的推广能力，这对故障诊断而言具有很强的现实意义，为滚动轴承故障的智能诊断提供了一种新的研究方法。本文在详细叙述了统计学习理论和支持向量机算法的基础上，将支持向量机方法成功地应用到滚动轴承故障诊断中。
参考文献
[1] 袁幸，段志善.转子一轴承系统故障非线性振动响应识别方法的研究[J].机床与液压，2008（4）：331-333.
[2] 张浩然，韩正之，李昌刚.支持向量机[J].计算机科学，2002，29（12）：135-137.
[3] 韩捷，张瑞林.旋转机械故障机理及诊断技术[M].北京：机械工业出版社，2007：24-44.
[4] 赵晓玲.滚动轴承故障振动检测方法[J].重庆科技学院院报，2007，9（1）：41-44.
[5] 李兴林，张燕辽，曹茂来，等.滚动轴承寿命试验机及其试验技术的现状及发展[J].试验技术与试验机，2007，47（3）：1-6.