基于精细复合多尺度熵和自编码的滚动轴承故障诊断方法

作者:郑近德;潘海洋;包家汉;刘庆运;丁克勤;欧淑彬; 刊名:噪声与振动控制 上传者:刘晓玲

【摘要】多尺度熵是一种有效衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足,引入精细复合多尺度熵(Refined composite multiscale entropy, RCMSE),在此基础上,结合自编码降维和遗传优化支持向量机,提出一种滚动轴承故障智能诊断新方法。首先,利用RCMSE提取滚动轴承振动信号多尺度复杂度特征,构建初始特征向量矩阵;其次,采用自编码对初始高维特征数据降维,得到低维流形特征;然后,将低维特征向量输入到基于遗传优化支持向量机的多故障模式分类器中进行训练、识别与诊断。最后,将所提方法应用于实验数据分析,并与多尺度熵方法进行对比,结果表明,该方法不仅能够有效诊断滚动轴承的工作状态和故障类型,而且识别率高于所对比方法。

全文阅读

轴承是工业领域最重要也是最脆弱、最容易发生故障的零部件。目前轴承健康监测与故障诊断的研究已经引起相当大的关注。能否准确有效地提取状态特征信息是轴承监测和诊断的关键。由于轴承存在刚度、摩擦和载荷条件的瞬态变化,机械系统常常表现出非线性、非平稳行为,致使其振动信号复杂,表现出有非线性和非平稳特征[1]。常用的时域分析、频域分析和时频分析方法等在处理这类信号时难免存在一定的局限性。而非线性分析方法由于能够准确有效地提取这类振动信号的非线性、非平稳的状态特征信息而得到了广泛关注。在非线性动力学分析方法中,基于熵理论建立的时间序列复杂度测量方法,如信息熵[2]、近似熵[3]和样本熵[4],都已被成功应用于机械故障诊断中[5–7]。然而,单一尺度的熵算法并不能有效测量时间序列的复杂性[8–9]。为了克服单一尺度的不足,Costa等提出了衡量不同粗粒化时间序列复杂性的多尺度熵算法(Multiscale Entropy,MSE)[8, 10–11]。郑近德等[12]将MSE应用于机械故障诊断中,结果表明,MSE能够有效地实现故障的识别。陈慧等[13]将MSE与PNN结合成功应用于滚动轴承故障诊断中。然而,在MSE算法中,随着尺度因子的增加,粗粒时间序列会迅速变短而导致不精确的熵估计或引起未定义熵,而且熵值的误差也将随着粗粒化时间序列长度的迅速变短而增大。为了克服MSE方法的不足,文献[14]提出了一种新的改进多尺度熵算法—精细复合多尺度熵(Refined composite multiscale entropy,RCMSE),RCMSE能够弥补MSE的缺陷,且得到的熵值的一致性和稳定性更好。由于提取的多尺度熵值特征维数较高,存在一定的信息冗余,藴藏故障状态的特征信息不能被有效利用,影响故障识别效果。流形学习算法是基于拓扑流形概念而提出的降维方法,能够实现维数约减和数据可视化,考虑将其应用于高维特征数据的可视化降维。由于现实中大多数高维数据具有非线性结构,线性降维方法不可避免地存在一定的局限性,而非线性流形学习自编码降维方法能够有效实现非线性高维数据的降维[15–17],文中考虑将其应用于滚动轴承故障特征的降维与可视化。为了实现故障智能诊断,需要选择合适的分类器,支持向量机作为一种成熟的分类器,受惩罚因子和核参数影响较大,遗传优化算法[18]能够对SVM的参数进行优化,自动搜索最佳参数组合,避免了依赖人为的设定和不必要的干扰[19]。在此基础上,结合精细复合多尺度熵、自编码降维技术和遗传算法优化支持向量机多模式分类器,提出了一种新的滚动轴承故障智能诊断方法。最后,将提出的方法应用于试验数据分析,结果表明,提出的方法不仅能够有效地诊断出轴承不同故障,而且识别率较高。1精细复合多尺度熵1.1多尺度熵和复合多尺度熵对于时间序列X={xi,1≤i≤N},第τ个尺度粗}i,1≤i≤N,第τ个尺度粗粒化时间序列定义如下y(k,τj)=1τi=(j-∑1)τ+kxi,1≤j≤Nτ,1≤k≤τ(1)y(k,τj)=1τi=(jτj+-∑k1)-τ1+kxi,1≤j≤Nτ,1≤k≤τ(1)τi=(j-∑1)τ+kxi,1≤j≤Nτ,1≤k≤τ(1)在传统MSE算法中,不同尺度因子τ下的MSE被定义为尺度因子τ下第一个粗粒化时间序列的样本熵,即MSE(x,τ,m,r)=SampEn(y(1τ),m,r)。但是,(x,τ,m,r)=SampEn(y(τ)1,m,r)。但是,对于短时间序列的分析,MSE在较大时间尺度下往往会引起未定义样本熵值。为此,引入了CMSE来提高MSE算法的精度。

参考文献

引证文献

问答

我要提问