摘 要:由于軸承在發(fā)生故障的時(shí)候會(huì)產(chǎn)生非線性震動(dòng),本文使用一種新的非線性動(dòng)力學(xué)方法-樣本熵來對信號(hào)進(jìn)行處理,提取特征量,并通過神經(jīng)網(wǎng)絡(luò)進(jìn)行故障的分類預(yù)測,試驗(yàn)效果良好。
關(guān)鍵詞:故障診斷,近似熵,樣本熵,神經(jīng)網(wǎng)絡(luò)
[b][align=center]Fault diagnosis of drilling for oil bearing based on sample entropy and neural network
Ding LiMing He Weixing Li Bao[/align][/b]
Abstract: when the bearing is in malfunction, nonlinear signals will produce then. So in this paper using a nonlinear dynamic method—sample entropy process the signals, extract features of different kinds of work condition. At last using the NN make classification and prediction and the result is well.
Keywords: fault diagnosis, approximation entropy, sample entropy, neural network
1、背景介紹
目前滾動(dòng)軸承的故障診斷技術(shù)主要有震動(dòng)診斷技術(shù)、聲學(xué)診斷技術(shù)、溫度診斷技術(shù)、油膜電阻診斷技術(shù)和光纖診斷技術(shù)等。其中對滾動(dòng)軸承進(jìn)行狀態(tài)檢測和故障診斷經(jīng)常使用的是震動(dòng)分析,因?yàn)檩S承震動(dòng)信號(hào)攜帶了豐富的運(yùn)行狀態(tài)信息,對早期的故障十分敏感,在故障發(fā)生過程中,其動(dòng)力學(xué)特性往往呈現(xiàn)出復(fù)雜性和非線性,震動(dòng)信號(hào)也隨之表現(xiàn)為非平穩(wěn)性。隨著上世紀(jì)八十年代非線性動(dòng)力學(xué)的發(fā)展,一些非線性動(dòng)力學(xué)方法在各個(gè)方面得到了應(yīng)用,在故障診斷方面的應(yīng)用也取得了良好的效果。本文采用一種近似熵的改進(jìn)算法——樣本熵來處理信號(hào),提取特征量。與其他的非線性動(dòng)力學(xué)方法(李雅普諾夫指數(shù),信息熵,關(guān)聯(lián)維數(shù),K熵)相比樣本熵和近似熵一樣具有以下的特點(diǎn):
1)只需要較短的數(shù)據(jù)就能得到比較穩(wěn)定的估計(jì)值,所需要的數(shù)據(jù)點(diǎn)大致是100~5000之間,一般是1000點(diǎn)左右。
2)有較好的抗噪聲和干擾的能力,特別是對偶爾產(chǎn)生的瞬態(tài)強(qiáng)干擾有較好承受能力。
3)不論信號(hào)是隨機(jī)的或是確定的都可以使用,因此也可以用于由隨機(jī)成分和確定性組成的混合信號(hào)。當(dāng)兩者比例不同時(shí)近似熵值也不同 。這些優(yōu)點(diǎn)使得近似熵和樣本熵分析成為分析非線性時(shí)間序列的良好工具,并取得了較好的效果。與近似熵相比,樣本熵的數(shù)據(jù)長度的依賴性弱,在大的 數(shù)值范圍內(nèi)表現(xiàn)出很好的一致性。
本課題是華東石油設(shè)計(jì)院針對鉆井油田的軸承故障診斷項(xiàng)目而提出的。軸承作為石油鉆井平臺(tái)的關(guān)鍵部件,如果一旦發(fā)生故障,則會(huì)使整個(gè)設(shè)備停止生產(chǎn)甚至?xí)p壞某些其它部件,這將使維修設(shè)備的時(shí)間大大增加,造成嚴(yán)重的經(jīng)濟(jì)損失,因此研制和開發(fā)出一套對整個(gè)軸承進(jìn)行預(yù)期故障診斷的系統(tǒng)就顯得很重要,這樣就能夠在軸承發(fā)生故障前發(fā)出預(yù)警信號(hào),提前對將要發(fā)生故障的軸承進(jìn)行維修或更換,以縮短停工停產(chǎn)時(shí)間和減小維修費(fèi)用,從而使鉆井石油生產(chǎn)損失減少到最少。另外據(jù)統(tǒng)計(jì),在現(xiàn)場實(shí)際故障中30%是由滾動(dòng)軸承造成的,所以對軸承的故障診斷具有很重要的意義。
2、算法描述

我們可以看到m,r是ApEn和SampEn中兩個(gè)設(shè)定的參數(shù)。對于ApEn,Pincus建議r的值取0.1-0.25SD,SD為要計(jì)算的時(shí)間序列的標(biāo)準(zhǔn)差。m取1或2。Lake et al.推薦使用標(biāo)準(zhǔn)自回歸模型來決定SampEn的m參數(shù)或是也和ApEn一樣取1或2,通過最小相對誤差的方法來確定r。m的取值也和信號(hào)的采樣率有關(guān),不同的采樣頻率應(yīng)該選取不同的 值要比一直選用一個(gè)m值更為合適。需要指出的是,在樣品熵的計(jì)算中,如果相似容限r(nóng)取得太小,滿足相似條件的模式會(huì)很少,如果r太大,滿足相似條件的模式過多,時(shí)間序列的細(xì)節(jié)信息會(huì)損失很多,為了避免噪聲對計(jì)算結(jié)果的影響,應(yīng)該使得r大于重要噪聲的幅值。
樣本熵的意義和近似熵類似,都是衡量當(dāng)維數(shù)變化時(shí)該時(shí)間序列所產(chǎn)生新模式概率的大小。產(chǎn)生新模式的概率越大,序列就越復(fù)雜,對應(yīng)的近似熵或樣本熵就越大,因此從理論上講,近似熵和樣本熵能夠表征信號(hào)的不規(guī)則性和復(fù)雜性。
為了直觀的表示樣本熵的意義,下面是模擬產(chǎn)生得白噪聲和調(diào)頻Chirp信號(hào)的近似熵和樣本熵當(dāng)數(shù)據(jù)長度為N=1000,嵌入維數(shù)M=2時(shí)隨著r的變化趨勢。白噪聲要比Chirp信號(hào)復(fù)雜,應(yīng)該從數(shù)據(jù)對比上得到反映。
[align=center]

圖1 白噪聲和Chirp信號(hào)的近似熵

圖2 白噪聲和Chirp信號(hào)的樣本熵[/align]
由圖可以看出,樣本熵的一致性要比近似熵好,在r<0.15SD的時(shí)候, Chirp信號(hào)的近似熵比白噪聲大,r>0.15SD的時(shí)候比白噪聲小。而樣本熵一致保持這種趨勢,所以樣本熵比近似熵的分析效果要更好一些,在不同采樣率條件下,樣本熵也能保持好得一致性,這也是近似熵所不具備得。
3、數(shù)據(jù)分析
本試驗(yàn)中的數(shù)據(jù)是通過對軸承進(jìn)行人為破壞來模擬剝落和裂紋這兩種主要故障而獲取的。在試驗(yàn)中分別安裝了3個(gè)傳感器:1號(hào)測點(diǎn)在后側(cè)正上方軸徑向(無電動(dòng)機(jī)側(cè)),2號(hào)測點(diǎn)在正側(cè)正上方軸徑向(有電動(dòng)機(jī)),3號(hào)測點(diǎn)在正側(cè)右邊軸橫向(有電動(dòng)機(jī))。因此每種狀況下的數(shù)據(jù)是3通道的。軸承1數(shù)據(jù)采樣頻率51.2KHz。軸承2的采樣率為128KHz,樣本熵參數(shù)的取值為m=2,r=0.2,N=2048。表1中的每個(gè)數(shù)據(jù)為100個(gè)數(shù)據(jù)的平均值。
[align=center]

表1[/align]
由表1中的數(shù)據(jù)可以看出不同故障模式下的軸承有不同的樣本熵值。在正常工作情況下樣本熵?cái)?shù)值最小,疲勞剝落情況下的數(shù)值最大,發(fā)生裂紋的時(shí)候數(shù)據(jù)介于兩者之間。軸承1和軸承2在同一種故障模式下的數(shù)值有較大差異,主要是因?yàn)槎叩牟蓸勇什灰粯樱埠驮诩庸な褂弥性斐傻牟町愑嘘P(guān)。當(dāng)軸承旋轉(zhuǎn)時(shí),滾動(dòng)體便在內(nèi)、外圈滾道上滾動(dòng),由于滾動(dòng)體在不同位置上所受的力大小不同,同時(shí)承載的滾動(dòng)體的數(shù)目也不同,這些軸承本身的結(jié)構(gòu)特點(diǎn)造成承載剛度的變化,引起軸承振動(dòng)。當(dāng)軸承的轉(zhuǎn)速一定,載荷一定時(shí),這一振動(dòng)具有確定性。軸承組件加工時(shí)留下的波紋度,粗糙度等原因產(chǎn)生交變激振力使軸承系統(tǒng)振動(dòng),雖然這些原因造成的激振大都具有周期性的特點(diǎn),但由于實(shí)際構(gòu)成因素十分復(fù)雜,各因素之間也不存在特定的關(guān)系。此外,試驗(yàn)電機(jī)的振動(dòng)、工作軸承的振動(dòng)和試驗(yàn)機(jī)上其他機(jī)械部件的振動(dòng)激振力的隨機(jī)性也很大,含有多種頻率成分 。這是即使在正常工作條件下樣本熵也較大的原因。
如果軸承的滾動(dòng)面出現(xiàn)疲勞剝落或壓痕等缺陷,當(dāng)滾動(dòng)軸承在這些損傷表面轉(zhuǎn)動(dòng)時(shí),就會(huì)出現(xiàn)交變的激振力。由于滾動(dòng)表面缺陷時(shí)不規(guī)則的,所以產(chǎn)生的激振力也是隨機(jī)的,包含多種頻率成分。一般軸的旋轉(zhuǎn)速度速度越快,由表面損傷引起的震動(dòng)頻率也越高。裂紋狀態(tài)的樣本熵比剝落狀態(tài)下的樣本熵比剝落狀態(tài)下的小可能是因?yàn)榱鸭y的深度比較淺,只有當(dāng)裂紋較大時(shí),其對系統(tǒng)響應(yīng)的非線性影響才有所顯現(xiàn)。
4、神經(jīng)網(wǎng)絡(luò)分類
神經(jīng)網(wǎng)絡(luò)是人工智能的一個(gè)分支,近些年發(fā)展的非常迅速并且在各個(gè)方面得到了廣泛的應(yīng)用,因?yàn)樗哂腥缦碌膬?yōu)點(diǎn):
1) 它是一個(gè)大規(guī)模的復(fù)雜系統(tǒng),提供了大量可調(diào)節(jié)變量。
2) 它實(shí)現(xiàn)了并行處理機(jī)制,從而可提供高速處理能力。
3) 它的連接強(qiáng)度可變,使得網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)具有非常大的可塑性,從而有很強(qiáng)的自適應(yīng)能力。
4) 人工神經(jīng)網(wǎng)絡(luò)的特性(輸入輸出)都是非線性的,因此人工神經(jīng)網(wǎng)絡(luò)是一類大規(guī)模的非線性系統(tǒng),這就提供了系統(tǒng)自組織和協(xié)同的潛力 。
針對具體的問題應(yīng)用,不同的學(xué)者提出了很多的不同新模型和新的算法,有的甚至提出了和其他的學(xué)科如非線性動(dòng)力學(xué)或小波結(jié)合起來以取得良好的效果。文中采用的是最為廣泛使用的BP網(wǎng)絡(luò)。當(dāng)傳感器輸入比較多的時(shí)候,使用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類是很方便的,本次試驗(yàn)中輸入信號(hào)是3通道的,試驗(yàn)數(shù)據(jù)顯示效果比較理想。
這里使用的三層BP網(wǎng)絡(luò),由輸入層,隱含層和輸出層以及層間神經(jīng)單元的連接組成,由于使用了三個(gè)傳感器,所以神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為三輸入兩輸出,對于輸出分別用00,01,10三種狀態(tài)來代表正常、裂紋和剝落。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。
[align=center]

圖3神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)[/align]
作用函數(shù)f選用 Sigmoid函數(shù),文中使用了1000組數(shù)據(jù),每組數(shù)據(jù)分別是三個(gè)傳感器在各種工作狀況下的樣本熵值,使用的軟件為NeuroShell 2。所有數(shù)據(jù)隨機(jī)抽取20%作為測試數(shù)據(jù),20%作為檢驗(yàn)數(shù)據(jù),剩下的60%作為訓(xùn)練數(shù)據(jù),平均誤差為0.002,學(xué)習(xí)率為0.5,初始權(quán)重為0.1。經(jīng)過訓(xùn)練,神經(jīng)網(wǎng)絡(luò)對正常、裂紋、剝落的識(shí)別率為94%,89%,90%。
5、結(jié)論
由于滾動(dòng)軸承發(fā)生故障時(shí)產(chǎn)生非線性震動(dòng)信號(hào),所以使用非線性動(dòng)力學(xué)方法進(jìn)行分析,提取不同條件下的特征量,最后使用神經(jīng)網(wǎng)絡(luò)的分類和預(yù)測能力,試驗(yàn)結(jié)果證明這種方法是有效的,特別是當(dāng)故障類型更復(fù)雜輸入變量更多時(shí),這種方法更能顯示出其優(yōu)越性。
參考文獻(xiàn):
[1] 楊福生,廖旺才. 近似熵:一種適合短數(shù)據(jù)的復(fù)雜度量. 中國醫(yī)療器械雜志,1997,21(5):283-286。
[2] Xinnian Chen,Irence C.Solomon Comparison of the use of Approximate Entropy and Sample Entropy: Application to Neural Respiratory Signal IEEE Engineering in Medicine and Biology 27th Annual Conference Shanghai china,Septenmber 1-4 2005. 4212-4215。
[3] 王國峰,周亦武,郭金光. 軸承剝落的早期故障診斷方法 大連海事大學(xué)學(xué)報(bào) 2002年8月,101-104
[4] 趙建剛 人工神經(jīng)網(wǎng)絡(luò)在水文實(shí)時(shí)校正中應(yīng)用的探索 四川大學(xué) 20020920
[5] 鄒明虎 基于模糊神經(jīng)網(wǎng)絡(luò)的雷達(dá)印制板故障智能診斷系統(tǒng)研究 微計(jì)算機(jī)信息 2004 No.12
[6] 谷云輝 基于自動(dòng)測控系統(tǒng)的故障診斷方法研究 微計(jì)算機(jī)信息 2005 No.19