基于LMD故障信号的盲源分离方法研究

基于LMD故障信号的盲源分离方法研究

张少杰1  金子翔2

湖南文理学院  湖南省常德市  415000。

摘要：针对滚动轴承振动信号呈现非线性、强非平稳性以及多分量耦合特性，提出了基于局部均值分解（LMD）的滚动轴承故障程度特征提取方法，并采用盲源分离方法对故障信号进行分离处理，最后利用极限学习机模型对其特征参数进行分类识别，为滚动轴承故障特征提取和故障诊断提供了一种新途径。

关键词：LMD算法，故障信号，分离方法，特征提取

0 引言

本文首先通过LMD信号自适应分解方法对原滚动轴承故障信号进行自适应降噪分解，然后，再利用盲源分离方法，对自适应分解方法得到的故障信息进行分类研究，最后采用极限学习机模型进行分类诊断，从而实现滚动轴承故障信号的分析研究。其中盲源分离技术作为机械设备故障诊断的一种方法，不需要依赖大量的先验知识，直接可以对采集的故障信号进行盲源分离和特征提取，相对于传统的故障特征提取方法，该方法处理的结果精度更好，故障诊断效果更好。

1. 国内外研究现状

故障诊断技术是现代化生产发展的产物。早在60年代末，美国国家宇航局(NASA)就创立美国机械故障预防小组，英国成立了机械保健中心。由于诊断技术所产生的巨大经济效益，从而得到迅速发展，国外在该领域一直处于领先地位，并且诞生了P.M.Frank教授等一些国际故障诊断权威。2005年，英国的Jonathan S Smith总结之前学者的研究，提出局部均值分解(Local Mean Decomposition,LMD)方法，LMD是利用平滑的局部均值，直接从振动信号内部获得更加可靠的瞬时频率，而没有利用Hilbert变换，它最初是应用在了脑电图(EEG)方面，它能有效处理非平稳信号，在国内外机械故障诊断领域迅速得到了推广。程军圣等对比研究了LMD与EMD方法的优缺点；任达千研究了LMD的原理及算法的改进，并将其应用于典型的故障振动信号的故障特征提取。李志农将LMD应用到轴承故障诊断中，实验结果证明LMD是非常有效的；杨宇对局部均值分解的每个乘积函数(Product Function, PF)建立AR模型提取出转子系统的故障特征，再采用神经网络判断故障种类。

熵是热力学领域的概念，1948年，Shannon把它引入到信息论领域，提出了信息熵的概念，用以衡量某事件的不确定度，之后熵的概念逐渐泛化。1991年，Pincus提出了近似熵(Approximate entropy，简称ApEn)的概念,2000年，Richman等提出了改进的近似熵——样本熵(Sample entropy，简称SampEn)，二者都是衡量时间序列的复杂性和维数变化时序列产生新模式概率的大小，产生新模式的概率越大，序列的复杂性程度越高，熵值就越大。研究表明，与Lyapunov指数、信息熵、关联维数等其他非线性动力学方法相比，样本熵具有:所需的数据短、抗噪和抗干扰能力强、在参数大取值范围内一致性好等特点。然而无论是近似熵还是样本熵，其两个向量的相似性都是基于单位阶跃函数而定义的。单位阶跃函数具备二态分类器的性质，如果输入样本满足一定特性，则被判定属于一给定类，否则属于另一类。而在现实世界中，各个类之间的边缘往往较模糊，很难确定输入样本是否完全属于其中一类。于是，陈伟婷等人对样本熵进行了改进，提出了模糊熵的概念。模糊熵和近似熵、样本熵类似，都是对时间序列在单一尺度上复杂性的量度，Costa等人提出的多尺度熵则是对序列在不同尺度因子下的复杂性的量度。2014年，郑近德等在模糊熵的基础上，同时借鉴多尺度熵的思想，提出了多尺度模糊熵的概念，用以衡量时间序列在不同尺度因子下的复杂程度和维数变化时产生新信息的概率大小。

2. 研究意义

滚动轴承广泛应用于各工业领域，对其状态监测与故障诊断技术的研究是目前国内外故障诊断领域的研究热点之一，因此开展滚动轴承故障诊断的研究工作有着重要的现实意义与经济价值。虽然近年来机械设备故障诊断技术的研究在国内外得到了较大发展，但是由于往复机械结构复杂、激励源众多等特点，传统的诊断理论和方法对往复机械具有较大的局限性和不完备性，现已不能满足生产对压缩机可靠性的要求。随着信息技术和计算机技术的迅速发展以及各种先进数学算法的出现,为压缩机故障诊断技术的发展也提供了有利的条件。

滚动轴承机结构复杂，内部激励源众多，运动形式多样，其振动信号响应呈现强烈非平稳和非线性特性。以经典信号处理技术为基础的传统状态故障诊断方法对其进行故障诊断存在一定的局限性.而局部均值分解（LMD）方法具有良好的非线性、非平稳信号分析能力，是滚动轴承振动信号理想的分析方法。利用多尺度模糊熵对 LMD分解结果进行分析，可从多层次描述状态特征。本项目研究不但对完善故障诊断学时频分析方向具有理论意义，同时在滚动轴承故障诊断技术工程化应用领域具有广阔的应用前景。

3.

基于LMD故障信号的盲源分离方法研究

3.1 算法改进的研究内容

（1）对滚动轴承故障机理进行研究，了解滚动轴承的工作原理、基本组成、各部分的具体结构及相应功能，对主要部件进行运动学及动力学分析；

（2）掌握LMD的特点及其理论基础，研究包络方法，端点延拓对分解结果的影响，针对LMD算法存在的包络不准、端点效应等问题，对LMD算法进行改进；

（3）掌握相应熵值的特点及其理论基础，分析方法；

3.2 研究过程存在的问题

（1）由于LMD算法存在端点效应、模态混叠等固定式问题，对于一些滚动轴承振动信号进行分解时可能产生突变，造成运行结果不收敛，因此需要采取方法进行改善；

    （2）在进行特征向量提取的过程中，各故障的特征向量有可能出现重叠的现象；

（3）目前散布熵算法还存在一些不足，在故障领域的应用研究也相对较少，因此可能出现一些问题。

3.3 拟解决核心问题的方法

（1）深入研究滚动轴承的故障机理；

（2）利用LMD与散布熵方法，提取故障特征参数；

（3）采用极限学习机对特征参数进行分类识别。

（4）对LMD算法存在的问题进行改进；

（5）对散布熵提取的特征向量进行优化选择；

（6）编制诊断滚动轴承故障信号诊断分类的软件。

4. 总结

本文研究方法属于一种应用型诊断分类方法，通过构建基于局部均值分解方法（LMD）的盲源分解滚动轴承研究方法，首选通过采用局部均值分解方法（LMD）对西储大学的滚动轴承实例数据进行信号自适应分解，实现信号的降噪处理，得到体现滚动轴承故障信号主要信息；然后，利用盲源分离方法对自适应信号分解得到的故障信息进行进一步处理；最后采用极限学习机模型对故障信号进行模式识别诊断研究，从而实现不同种类故障的滚动轴承信号的分类。

参考文献

[1]宋杰. 基于振动信号分析的数控车床机械故障诊断[D].吉林大学,2022.

[2]李春兰,高阁,张亚飞,叶豪,王海杨,杜松怀.基于局部均值分解(LMD)的单通道触电信号盲源分离算法[J].农业工程学报,2019,35(12):200-208.

[3]杜伟静. 基于RobustICA和Prony算法的谐波和间谐波检测方法研究[D].兰州交通大学,2019.

[4]章熙琴. 基于扩展平行因子分析的机械故障诊断方法研究[D].南昌航空大学,2019.

[5]张炎磊. 大摆锤滚动轴承振动信号特征提取方法研究[D].郑州大学,2019.

基金项目：全国大学生创新创业训练计划项目（项目编号：202210549010）；

湖南文理学院大学生创新性试验计划项目（项目编号：ZD2108）；