CN101832857B

CN101832857B - 电子束焊机高速闪频观察装置主轴轴承故障诊断的方法

Info

Publication number: CN101832857B
Application number: CN2010101371674A
Authority: CN
Inventors: 向家伟; 陈东弟; 宋宜梅
Original assignee: Guilin University of Electronic Technology
Current assignee: Guilin University of Electronic Technology
Priority date: 2010-03-31
Filing date: 2010-03-31
Publication date: 2012-06-27
Anticipated expiration: 2030-03-31
Also published as: CN101832857A

Abstract

本发明为电子束焊机高速闪频观察装置主轴轴承故障诊断的方法，为采用概率支持向量机算法对电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤故障进行分类和诊断的方法。第一步对典型损伤状态、正常状态主轴轴承试件的振动测试获得不同状态振动信号，作为概率支持向量机训练样本集，获得训练好的概率支持向量机故障特征数据库；第二步实测工作状态下主轴轴承振动信号，作为训练好的概率支持向量机故障特征数据库输入，求解归类，诊断主轴轴承是否存在损伤故障。本法克服主轴轴承特征信息不充分的缺陷，在小样本条件下，提取出轴承的损伤故障特征。准确诊断识别电子束焊机高速闪频观察装置主轴轴承损伤故障。

Description

电子束焊机高速闪频观察装置主轴轴承故障诊断的方法

技术领域

本发明属于机械结构故障诊断领域，具体涉及一种电子束焊机高速闪频观察装置主轴轴承故障诊断的方法。

背景技术

电子束焊机运行安全最为突出的隐患之一是高速闪频观察装置主轴轴承故障，若不及时检测、诊断、排除，会扰乱正常的生产过程。尤其是现代电子束焊机日益朝着大型化、高速化和智能化的方向发展，而机械结构却又向着轻型、精巧的方向发展，使得近年来由于电子束焊机高速闪频观察装置主轴轴承故障而导致的电子束焊机事故不断发生，这些事故给工业生产带来了巨大的经济损失。

但电子束焊机高速闪频观察装置是高速旋转部件，其主轴轴承故障样本获取相对困难，为典型的小样本条件下的诊断问题。目前，通常只能是在发生主轴轴承完全破损故障，导致电子束焊机无法正常工作，停机之后才对电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤故障进行诊断，并安排维修。此时这种突发事故已对生产和财产造成危害。

因此，采用简单易行的技术，在小样本条件下，确定电子束焊机高速闪频观察装置主轴轴承损伤、摩擦、磨损故障，以在事故发生前进行维修，成为工程界十分关心和不断探求的课题。

随着现代工业的发展，机械设备的故障诊断技术越来越受到各国学者的重视，现已成为保证生产***安全稳定运行和提高产品质量的重要手段和关键技术。机械设备故障诊断技术研究的关键问题在于信号获取、模式分类及判别决策，而故障的模式分类则是故障诊断过程的核心所在。从本质上来说机械设备故障诊断的过程也是个模式识别的过程，机械故障诊断方法在过去的几十年里取得了长足地发展，然而，一般的故障诊断方法，如神经网络、小波分析方法等具有一些不可克服的缺点和不足，最直接的问题就是推广泛化能力不足，需要大量的训练样本，并且存在过学习问题。在学习样本不完备的情况下难以得到准确的诊断结论，不能很好地解决实际现场中的小样本问题。工程实际中的机械故障诊断问题，尤其是大型机械设备，获取大量的典型故障样本非常困难。电子束焊机高速闪频观察装置主轴轴承故障样本获取相对困难，是小样本问题，一般在样本的数量上和质量上都难以满足像神经网络等现有的故障诊断方法对学习样本的要求，从而限制了这些理论上很优秀的算法的实际应用效果。因此需要设计一种具有良好的推广泛化能力，适合小样本情况的学习机器对电子束焊机高速闪频观察装置主轴轴承故障进行诊断。

支持向量机(英文Supported Vector Machine，简称SVM)是一种监督式学习方法，广泛应用于统计分类和回归分析中。其突出优点是推广泛化能力强、适合于小样本问题求解。目前已经成为机械故障诊断的前沿研究方向。但尚未见在电子束焊机高速闪频观察装置主轴轴承故障诊断上采用支持向量机方法的报道。

发明内容

本发明的目的在于提供一种电子束焊机高速闪频观察装置主轴轴承故障诊断的方法，该方法通过简单的振动信号测量，采用概率支持向量机算法高效、可靠地诊断电子束焊机高速闪频观察装置主轴轴承故障。

本发明的电子束焊机高速闪频观察装置主轴轴承故障诊断的方法为采用概率支持向量机算法对电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤故障进行分类和诊断的方法。

所述的概率支持向量机算法具体如下：

x＝{x₁，x₂，…x_m}表示所有的电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤状态、正常状态训练样本集，SV(E)表示经过标准支持向量机计算后，训练样本集E的支持向量集合，(w_t，b_t)表示相应的分类超平面。D_t表示第t次循环时，主动选择的新增样本点。c是置信因子。

初始化：从候选样本集X中，随机选择初始训练样本集D₀，并标注。设t＝0，并且S₀＝SV(D₀)。B＝{x₁，x₂，…x_m}表示未被选择的样本集合，它们的类别未知。

While 终止条件未满足

D_t＝0；

While D_t样本数小于m时(m为每次选择的样本数)

随机选择样本x∈B，y是x的类别标注。

If y(<w_t，x>+b)≤1

以概率c选择x，D_t＝D_t∪x

Else

以概率1-c选择x，D_t＝D_t∪x

end

S_t＝SV(S_t∪D_t)；t＝t+1.

End

终止条件：在每次循环选择的m个样本点中，若有m₁个点在分类间隔之外，即满足y(<W_t，x>+b)＞1；那么，当(c*m₁)/m大于门限值h_t时，学习过程结束。

终止条件的说明如下：假设m₁/m的值大，表示新增的m个样本点中，只有小部分点在分类间隔之内。重新计算，这样的点对分类器的影响不大。在初始训练过程中，可能存在c很小而m₁较大的情况。然而，当c和m₁值都较大时，一方面，如果当前分类面接近于实际分类面，即获得了较好的分类器；另一方面，如果类间隔内的点很少，即学习过程已经饱和；此时学习过程结束，完成故障分类。

本电子束焊机高速闪频观察装置主轴轴承故障诊断的方法主要包括如下步骤：

第一步：通过对典型的电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤状态、正常状态试件的振动测试，获得典型的电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤状态、正常状态振动信号，作为概率支持向量机训练样本集，通过训练，获得训练好的概率支持向量机故障特征数据库，即为电子束焊机高速闪频观察装置旋转驱动部分主轴轴承故障诊断特征数据库。

第二步：利用实际测量获得的工作状态下主轴轴承振动信号，作为训练好的概率支持向量机故障特征数据库输入，通过求解，将其归于正常或故障类中，从而准确诊断出主轴轴承是否存在损伤故障。

所述第一步中对对典型的电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤状态、正常状态试件的振动测试，为对不同损伤状态的2～5组主轴轴承试件和正常状态的1组主轴轴承试件分别各进行80～150次现场在线测试试验，所得数据作为概率支持向量机训练样本集。

本发明由于利用概率支持向量机算法进行电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤故障诊断，具有下列区别于传统电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤故障诊断方法的显著优势：

1)本发明克服电子束焊机高速闪频观察装置主轴轴承特征信息不充分的缺陷，在小样本条件下，提取出主轴轴承的损伤故障特征，准确识别出电子束焊机高速闪频观察装置主轴轴承损伤故障，适合于电子束焊机高速闪频观察装置主轴轴承中广泛存在的损伤故障诊断，避免主轴轴承破损导致电子束焊机无法正常工作的故障；

2)本发明获得的主轴轴承损伤和正常状态分类精度高；

3)本发明可根据不同型号的电子束焊机高速闪频观察装置旋转驱动部分主轴轴承，预先提供与实际测试振动信号相符合的主轴轴承损伤故障诊断特征库，因此，可在电子束焊机中广泛推广使用。

4)本发明可用于工作状态下电子束焊机高速闪频观察装置旋转驱动部分主轴轴承巡检和在线监控，避免突发性事故发生。

附图说明

图1为本发明实施例中电子束焊机高速闪频观察装置旋转驱动部分主轴装配示意图；

图2为本发明实施例主轴轴承损伤故障振动信号样本；

图3为本发明实施例主轴轴承正常振动信号样本。

图中标号为：1、主轴轴承，2、电涡流传感器，3、主轴。

具体实施方式

下面结合附图对本发明具体实施例的内容作进一步详细说明：

电子束焊机的主要机械故障为高速闪频观察装置旋转驱动部分主轴轴承损伤类故障，影响电子束焊机的加工可靠性。

本实施例为采用概率支持向量机算法(Supported Vector Machine，SVM)对电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤故障进行分类和诊断的方法。

概率支持向量机算法描述如下：

While 终止条件未满足

D_t＝0；

While D_t样本数小于m时(m为每次选择的样本数)

随机选择样本x∈B，y是x的类别标注。

If y(<w_t，x>+b)≤1

以概率c选择x，D_t＝D_t∪x

Else

以概率1-c选择x，D_t＝D_t∪x

end

St＝SV(S_t∪D_t)；t＝t+1.

End

本电子束焊机高速闪频观察装置主轴轴承故障诊断的方法的实施例主要包括如下步骤：

第一步：通过对典型的电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤状态、正常状态试件进行振动测试，获得典型的电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤状态、正常状态振动信号。

图1所示为本发明实施例电子束焊机高速闪频观察装置旋转驱动部分主轴装配示意图。主轴3通过两个主轴轴承1安装于高速闪频观察装置旋转驱动部分的机架上。机架上固定安装非接触测量的电涡流传感器2，电涡流传感器2的探头靠近主轴3外端，以采集主轴轴承1的振动信号，本方法仅需要安装1个电涡流传感器进行数据采集。受工作环境的影响，电子束焊机高速闪频观察装置旋转驱动部分的主轴外界的激励源非常多。这些激励源的冲击，对主轴轴承状态分类造成了严重的干扰。本例主轴工作转速3600转/分，主轴轴承型号：GB/T276-1994，由于在真空中工作，不允许添加润滑油，正常工作环境温度比较高，大约为100-120摄氏度。

如图1所示主轴3上安装电涡流传感器2，对含轻微、中等、严重损伤状态和正常状态的4组主轴轴承试件分别各进行100次现场在线测试试验，总共实验次数400次，利用先进的美国国家仪器有限公司(National Instruments，NI)数据采集***采集有损伤轴承和无损伤轴承的振动数据，采样频率是12.8KHz。如果仅用少量样本作为训练样本进行故障分类，显然不能概括各种运行环境下的样本分布。使用大量样本，可能导致程序运行时间过长，同时增加了标注样本类别的工作量。利用本发明中的概率支持向量机主动学习方法，可以解决上述问题。典型的主轴轴承损伤故障振动信号样本和主轴轴承正常振动信号样本分别如图2、3所示。定义主轴轴承损伤状态、正常状态振动信号为训练样本集，作为概率支持向量机训练样本，通过训练，获得训练好的概率支持向量机故障特征数据库，即为电子束焊机高速闪频观察装置旋转驱动部分主轴轴承故障诊断特征数据库。

从所采集的振动数据中，选取不同时间段下的100个振动数据，作为训练样本，另外选取不同时间段下的100个数据作为测试样本。直接采用原始数据参加计算，数据长度取1024。从样本集中，随机选择20个样本，标注它们的类别，作为初始训练样本。样本集中剩余的80个样本类别是未知的。总共进行四次运算，每一次样本集X不变，只是选择的初始训练样本不一样。为了便于比较，每次运算选用高斯径向基核函数，高斯径向基函数宽度σ＝1，误差惩罚参数C确定了风险上界中经验风险和置信范围的比重，对C的合理取值是实现结构风险最小化的前提条件，对振动信号的分类而言，按经验选取C＝100。主动学习的终止条件是h_t＝0.8，或者未标注样本集为空。程序执行过程中，每次循环选择10个新增样本。运算结果见表1所示。通过仿真数据和试验主轴轴承故障数据分类，可以看出概率支持向量机主动学习的分类结果要好于基于简单间隔准则的支持向量机主动学习，所以采用概率支持向量机主动学习进行分类。

表1电子束焊机高速闪频观察装置旋转驱动部分主轴轴承故障分类结果

初始训练样本	分类精度/％	执行时间/秒
			样本集X₁	94.0	60.5
样本集X₂	94.5	61.0
			样本集X₃	93.5	61.4
样本集X₄	95.0	72.7
			平均	94.25	63.9

由表1可知，在初始训练样本不同的四次运算中，概率支持向量机主动学***均分类精度达到了94.25％，最低分类精度也高达93.5％，运算平均时间是63.9秒。基于概率支持向量机主动学习的电子束焊机高速闪频观察装置旋转驱动部分主轴轴承故障分类结果表明：在实际工程应用中，概率支持向量机主动学习在只有少量标注样本的前提下，通过综合未标注样本的信息，能够取得比较满意的分类效果。

对相同型号的电子束焊机的高速闪频观察装置旋转驱动部分主轴轴承连续现场巡检20天，每天采集不同时刻的10个振动数据，数据长度为1024，分别标注为B₁，B₂，…B₂₀。其中B₁₈、B₁₉和B₂₀为轴承损伤样本，其他为轴承正常样本，分别作为上述第一步所获得的训练好的概率支持向量机故障特征数据库的输入，通过计算，将其归于正常或故障类中，结果如表2所示，诊断准确率达到100％。这表明：运用概率支持向量机进行电子束焊机高速闪频观察装置旋转驱动部分主轴轴承故障诊断具有很高的精度，能够可靠地在工程中进行巡检和在线监测诊断。

表2电子束焊机高速闪频观察装置旋转驱动部分主轴轴承故障诊断结果

样本序号	轴承实际状态	诊断结论	样本序号	轴承状态	诊断结论
						B₁	正常	正常	B₁₁	正常	正常
B₂	正常	正常	B₁₂	正常	正常
						B₃	正常	正常	B₁₃	正常	正常
B₄	正常	正常	B₁₄	正常	正常
						B₅	正常	正常	B₁₅	正常	正常
B₆	正常	正常	B₁₆	正常	正常
						B₇	正常	正常	B₁₇	正常	正常
B₈	正常	正常	B₁₈	轴承损伤	轴承损伤
						B₉	正常	正常	B₁₉	轴承损伤	轴承损伤
B₁₀	正常	正常	B₂₀	轴承损伤	轴承损伤

上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims

1.电子束焊机高速闪频观察装置主轴轴承故障诊断的方法，其特征在于，

本方法为采用概率支持向量机算法对电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤故障进行分类和诊断的方法；

所述的概率支持向量机算法如下：

x＝{x₁，x₂，…x_m}表示所有的电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤状态、正常状态训练样本集，SV(E)表示经过标准支持向量机计算后，训练样本集E的支持向量集合，(w_t，b_t)表示相应的分类超平面，D_t表示第t次循环时，主动选择的新增样本点，c是置信因子；

初始化：从候选样本集X中，随机选择初始训练样本集D₀，并标注；设t＝0，并且S₀＝SV(D₀)，B＝{x₁，x₂，…x_m}表示未被选择的样本集合，它们的类别未知，

终止条件：在每次循环选择的m个样本点中，若有m₁个点在分类间隔之外，即满足y(＜W_t，x＞+b)＞1；那么，当(c^*m₁)/m大于门限值h_t时，学习过程结束；

终止条件的说明如下：假设m₁/m的值大，表示新增的m个样本点中，只有小部分点在分类间隔之内，重新计算；在初始训练过程中，可能存在c很小而m₁ 较大的情况，然而，当c和m₁值都较大时，一方面，如果当前分类面接近于实际分类面，即获得了较好的分类器；另一方面，如果分类间隔内的点很少，即学习过程已经饱和；此时学习过程结束，完成故障分类；

本法包括以下主要步骤：

第一步：通过对典型的电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤状态、正常状态试件的振动测试，获得典型的电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤状态、正常状态振动信号，作为概率支持向量机训练样本集，通过训练，获得训练好的概率支持向量机故障特征数据库，即为电子束焊机高速闪频观察装置旋转驱动部分主轴轴承故障诊断特征数据库；

第二步：利用实际测量获得的工作状态下主轴轴承振动信号，作为第一步获得的训练好的概率支持向量机故障特征数据库输入，通过求解，将其归于正常或故障类中，从而诊断出主轴轴承是否存在损伤故障。

2.根据权利要求1所述电子束焊机高速闪频观察装置主轴轴承故障诊断的方法，其特征在于：

所述第一步中对典型的电子束焊机高速闪频观察装置旋转驱动部分主轴轴承损伤状态、正常状态试件的振动测试，为对不同损伤状态的2～5组主轴轴承试件和正常状态的1组主轴轴承试件分别各进行80～150次现场在线测试试验，所得数据作为概率支持向量机训练样本集。

3.根据权利要求1所述电子束焊机高速闪频观察装置主轴轴承故障诊断的方法，其特征在于：

所述第一步和第二步中获得电子束焊机高速闪频观察装置旋转驱动部分主轴轴承(1)振动信号，是通过在机架上固定安装电涡流传感器(2)，使电涡流传感器(2)探头靠近主轴(3)外端表面，以采集主轴轴承的振动信号。