基于EMD—ICA和HMM的风机故障分类方法

第55卷第4期2013年8月汽轮机技术TURBINETECHNOL0GYV0155NO4AUG2013基于EMDICA和HMM的风机故障分类方法任学平，单立伟内蒙古科技大学机械工程学院，包头014010摘要隐马尔可夫模型HMM是一种模式聚类和识别方法，独立分量分析ICA则是一种非常有效的非高斯数据分析工具。其中，四阶累积量算法是一种数值稳定且鲁棒的ICA方法，非常适合用于振动信号的特征抽取，但独立分量分析有一定的前提条件，借助经验模态分解EMD，消除噪声干扰，去除高频IMF部分，满足ICA的条件。因此，利用ICA算法对某炼铁厂风机不同状态模式包括正常和转子不对中进行特征提取，HMM实现模式的最终分类。对照分类实验结果，表明基于EMDICA的HMM的故障分类方法不仅具有良好的模式分类能力，且实现简单，在风机健康状况监测中有较大的应用潜力。关键词风机；经验模态分解；独立分量分析；隐马尔可夫模型；故障分类分类号TH17文献标识码A文章编号10015884201304030603AFAULTCLASSIFICATIONMETHODFORBLOWERBASEDONEMDICAANDHMMRENXUEPINGSHANLIWEIMECHANICALENGINEERINGSCHOOL，INNERMONGOLIAUNIVERSITYOFSCIENCETECHNOLOGY，BAOTOU014010，CHINAABSTRACTHIDDENMARKOVMODELHMMISAKINDOFMETHODFORPATTERNSCLUSTERINGANDRECOGNITION，INDEPENDENTCOMPONENTANALYSISICAISAPOWERFULTOOLFORANALYZINGNONGANSSIANDATAINICA，FOURORDEREUMULANTISAKINDOFROBUSTANDSTEADYALGORITHM，WHICHISSPECIALLYAPPROPRIATETOFEATUREEXTRACTIONOFVIBRATIONSIGNA1BUTINDEPENDENTCOMPONENTANALYSISHASCERTAINPREMISECONDITION，WITHTHEAIDOFEMPIRICALMODEDECOMPOSITIONEMD，REMOVEHIGHFREQUENCYIMFPART，ELIMINATENOISEINTERFERENCE，MAKESIGNALSATISFYTHEICACONDITIONINTHISPAPER，THEICAISPROPOSEDFORFEATUREEXTRACTIONOFDIFFERENTSTATEPATTERNSINCLUDINGNORMALANDROTORMISALIGNMENTOFONEIRONMILLBLOWER，HMMREALIZETHEFINALCLASSIFICATIONCONTRASTTHERESULTSCLASSIFICATIONEXPERIMENTSSHOWEDTHATTHECOMPOUNDEMDICAANDHMMCLASSIFIERCANBECONSTRUCTEDINSIMPLERWAY，ANDCLASSIFYVARIOUSFAULTPATTERNSATCONSIDERABLEACCURACY，BOTHOFWHICHIMPLYITSGREATPOTENTIALINHEALTHCONDITIONMONITORINGOFMACHINESKEYWORDSBLOWER；EMPIRICALMODEDECOMPOSITIONEMD；INDEPENDENTCOMPONENTANALYSISICA；HIDDENMARKOVMODELHMM；FAULTCLASSIFICATION0前言机械故障在时间序列上往往表现出较强的脉冲冲击特性，例如风机转子故障引发振动观测的非高斯特性，这使得许多特征提取技术不再满足其需要。近年来，独立分量分析ICA方法在生物医学和语音图像等信号的分离及特征的提取方面引起了人们的注意，特别令人感兴趣的是在机械故障特征提取和机械源分离方面。ICA在非高斯数据分析方面，以及在无正交限制的条件下抽取信号的统计独立分量具有独特优势，并且可以在多维振动观测中获取有效的高阶统计特性。但是ICA算法限制了独立源个数大于观测信号个数。而在实际观测中，信号个数往往少于独立源数，因此利用经验模态分解EMD算法构建虚拟参考信号，使其满足ICA算法。堕里卫型旦2固其具有可靠的计算性能和严收稿日期20121217谨的模型结构，现已成为语音识别的主流方法。故障诊断和语音识别都可以看成是一个模式识别、分类的问题。因此，HMM方法开始被国内外一些学者引入到状态检测和故障诊断领域中来。HMM是一种具有自适应能力和学习功能的模型，通过训练获取与之联系的特征，并对未知的状态进行识别。并且HMM是基于概率的一种随机过程，所以训练及其诊断具有较高的可解释性。因此，本文结合ICA和HMM的优点，提出了基于EMDICA和HMM故障分类方法。1EMD的基本理论EMD的原理是假设信号都是由一系列表征特征时间尺度的本征模式函数INTRINSICMODEFUNCTIONIMF构成的，每一个IMF都是频域调制或单分量幅值信号。且IMF要求满足两个条件基金项目内蒙古自治区自然科学基金项目2012MS0717。作者简介任学平1963一，男，汉族，河北阳原人，教授，博士，主要从事机械工程测试与故障诊断研究，发表学术论文50余篇。第4期任学平等基于EMDICA和HMM的风机故障分类方法1在整个信号上，极值点数与零点数最多相差1。2在任意时间点上，由局部极小值包络线和局部极大值包络线所定义的均值包络线必须是零。EMD分解步骤如下1取T的所有极大值点和极小值点，用三次样条函数在极值点间进行插值，得上下包络线ET、ET，并得到均值NTETET2。2求包络均值与原信号的差值HTT一M。T。3若HT不满足IMF的要求，则将HT做为原信号重复以上各步骤，直到H满足IMF要求，记HIMFLT。TT一IMF,T，TT。4重复以上各步骤，直到余项T比预定值小或者为单调函数时，EMD分解结束。原信号分解为NIMF,1“N1式中各IMF分量IMF,T，IMF2T，IMFT代表了信号频率由高到低的不同成分，T为余项，代表着信号的平均趋势。2ICA的基本理论21ICA问题的描述ICA问题描述为设有M个未知的源信号SI1，2，M的线性混合，构成一个列向量SST，ST，ST。X。T，T，T为观测信号矢量，混合矩阵A是一个ZM矩阵，且XAS。ICA的任务是找到分离矩阵，使得YWX就是从混合信号中分离出的独立源信号JS的估计值J。不同的信号经过ICA运算获得的分离矩阵是不同的，也就是故障信号加入到正常信号中会引起分离矩阵的不同，因此，分离矩阵可以作为区分不同状态的特征信息。22ICA算法ICA具体算法是用目标函数控制收敛。本文采用四阶累积量算法峭度，其目标函数是寻找局部极值，用峭度的极小或极大控制算法的收敛。定义信号的峭度KE一3E俨2目标函数相当于寻找X的线性组合WX的极小、极大峭度，得。的峰度为KWXEX一3EX2EWRX一3IL3目标函数I，WEW一3_1WITF1LII4考虑到式4收敛慢，改为EX一3W5式5即为快速ICA算法，旧数据右和新数据左指向同一方向即为收敛，即LWK一1I1，K为迭代次数。ICA快速算法流程如图1所示。图1ICA算法流程图3HMM的基本理论HMM是一个状态到状态之间的转移是随机的，且每个状态的观测值也是随机的双重随机过程。模型中的真实状态是不能直接观测的，而是通过观测矢量来感知它的存在，这样的模型即为HMMJ。用A丌，A，曰描述整个HMM模型，其中，元素PPQ。S为初始状态概率，S，S，S为HMM的状态集，AA为状态转移概率，参数BBIO1N，T1为观测矢量概率密度，其中6，为高斯混合模型，即BIT1EXP专式中，混合权重系数C1；M和为高斯函数的举止和协方差阵；为密度函数混合数个数。HMM原理如图2所示，它是一种基于先训练后识别的模式，首先对振动信号进行预处理，然后进行提取特征；训练阶段，用BAUMWELCH算法为信号建立一个HMM模型参数A，将所有的模型参数A组成HMM模型参数库；识别阶段，每输入一组信号，用VITERBI解码算法计算出信号和模型参数库中每个参数A匹配下的输出概率密度PA，取最大的PA所对应的目标为识别结果J。翌RIIL广图2HMM系统原理图根据模式识别理论，在HMM模型中，两个模型之间类似性的一种合理度量是它们在特征空间的距离。聚类的目的是使不同状态特征向量的距离尽可能大，而使同一状态的特征向量个体距离尽可能小。308汽轮机技术第55卷4故障分类方案故障分类思路是首先对风机振动信号进行EMD分解，使信号满足ICA分析的前提条件即观测信号数大于信号源数。利用ICA提取已知振动信号的特征向量，然后利用提取的特征向量训练不同的HMM分类模型，最后用训练好的HMM分类器对未知振动信号实现故障的识别和分类，其具体步骤如图3所示。IHHH分HM熘MIHH图3故障分类方案5实验结果及分析本文以包钢炼铁厂三烧车间风机为研究对象，针对风机运行过程中出现的两种状态正常状态和转子不对中的状态进行分析。实验采用美国10TECH公司高级振动分析仪系统618E，对风机进行了全面测试，信号采样频率为10240HZ，采样点数为8192个点。数据采集完后送入计算机，然后由与数据采集系统相配套的EZANALYST软件完成对信号的初始滤波等预处理工作，然后将测试数据导出做后续处理。分别测试转子正常和转子不对中状态的振动信号，分别得到正常信号40组，转子不对中4O组，对每组信号经ICA运算得到一系列分离矩阵，对EMDICA方法的归一化分离矩阵进行列向量求和。训练过程如图4所示。趔糌籁韶图4HMM训练图将其余的20组风机正常和风机转子不对中数据通过VITERBI算法分别计算风机正常HMM、风机转子不对中HMM产生此样本观测值序列的概率POIA，得到的结果分别见图5、图6。从图5、图6可以看到，HMM模型对风机转子的两种状态做出了很好的故障分类，分类结果如下风机转子正常19组数据判断为正常，转子不对中18组判断为正确，故障分类结果理想。删褂窭辐莨糌窭辐靛图5正常HMM辨识结果6结论图6转子不对中HMM辨识结果本文提出了独立分量分析和隐马尔科夫模型相结合的风机故障分类方法，并在风机中实现了很好的故障分类。实验表明，独立分量分析对非平稳信号实现了很好的特征提取，隐马尔可夫模型同样实现了很好的故障分类。因此，该方法能够有效地应用到风机的故障诊断分类中。参考文献1谢锦辉隐MARKOV模型HMM及其在语音处理中应用M武汉华中理工大学出版社，19952何强，何英MATLAB扩展编程M北京清华大学出版社。20023胡劲松，杨世锡，吴昭同，