基于EMD―ICA和HMM的风机故障分类方法

本资料包含pdf文件1个，下载需要1积分

A Fault Classification Method for Blower Based on EMD.ICA and HMMREN Xue.ping.SHAN Li.wei(Mechanical Engineering School，Inner Mongolia University of Science&Technology，Baotou 014010，China)Abstract：Hidden Markov Model(HMM)is a kind of method for patterns clustering and recognition，Independentcomponent analysis(ICA)is a powerful tool for analyzing nonganssian data.In ICA，Four order eumulant is a kind ofrobust and steady algorithm，which is specialy appropriate to feature extraction of vibration signa1. But independentcomponent analysis has certain premise condition，with the aid of empirical mode decomposition(EMD)，remove highfrequency IMF part，eliminate noise interference，make sign al satisfy the ICA condition.In this paper，the ICA is proposedfor feature extraction of different state patterns(including normal and rotor misalignment)of one iron mil blower，HMMrealize the final classifcation.Contrast the results classifcation experiments showed that the compound EMD-ICA an dHMM classifier Can be constructed in simpler way，and classify various fault patterns at considerable accuracy，both of whichimply its great potential in health condition monitoring of machines。

Key words：blower；empirical mode decomposition(EMD)；independent component analysis(ICA)；hiddenmarkov model(HMM )；fault classifcation0 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，这使得许多特征提燃术不再满足其需要↑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韧机械源分离方面。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：2012-12-17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-个模式识别、分类的问题。因此，HMM方法开始被国内外-些学者引入到状态检测和故障诊断领域中来。HMM是-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-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 EMD- ICA和 HMM故障分类方法。

1 EMD的基本理论EMD的原理是假设信号都是由-系列表征特征时间尺度的本征模式函数(Intrinsic Mode Function(IMF))构成的，每-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-)，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EMD-ICA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 e (t)、e (t)，并得到均值 /n (t)[e (t)e (t)]/2。

(3)若h (t)不满足IMF的要求，则将h (t)做为原信号重复以上各步骤，直到 h 满足 IMF要求，记 h imfl(t)。

(4)重复以上各步骤，直到余项 (t)比预定值序者为单调函数时，EMD分解结束。原信号分解为：n∑imf，1"n (1)式中各IMF分量imf，(t)，imf2(t)，，imf.(t)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。

2 ICA的基本理论2.1 ICA问题的描述ICA问题描述为：设有 m个未知的源信号s (i1，2，，m)的线性混合，构成-个列 向量 S[s (t)，s (t)，，s(t)] 。X[ 。(t)， (t)，， (t)] 为观测信号矢量，混合矩阵A是-个 z×m矩阵，且 XA·S。ICA的任务是找到分离矩阵 ，使得YW×X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。

2.2 ICA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，用峭度的极序极大控制算法的收敛。

定义信号的峭度：k( )E -3(E俨) (2)目标函数相当于寻找 X的线性组合 W X的极孝极大峭度 ，得 。 的峰度为k(W X)E( x) -3[E( x2)]E-(WrX) -3(Il (3)目标函数I，(W)E(W )-31 wit'F(1l I) (4)考虑到式(4)收敛慢 ，改为 E ( X) -3W (5)式(5)即为快速 ICA算法，旧数据 (右)和新数据(左)指向同-方向即为收敛，即 l ( )W(k-1)I1，k为迭代次数。

图 1 ICA算法流程图3 HMM的基本理论HMM是-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 HMM J。

用A丌，A，曰描述整个 HMM模型，其中，元素PP(q。s )为初始状态概率，s ，s：，，s 为 HMM的状态集，A (a ) 为状态转移概率，参数 B bi(o )√ 1N，t1 为观测矢量概率密度，其中6，( )为高斯混合模型，即bi(t 1 exp专式中，混合权重系数∑c 1；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-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Baum-Welch算法为信号建立-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-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 P(A)，取最大的P(A)所对应的目标为识别结果 J。

翌 rI Il 广---]图2 HMM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-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旧能大，而使同-状态的特征向量个体距离旧能校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。

I H H H 分HM熘M IH H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10 240Hz，采样点数为8 192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eZ-Analyst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-系列分离矩阵 ，对EMD-ICA方法的归-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 4 HMM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 P(O I A)，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。