基于改进多尺度模糊熵的滚动轴承故障诊断方法

作者:郑近德;代俊习;朱小龙;潘海洋;潘紫微; 刊名:振动.测试与诊断 上传者:刘磊

【摘要】滚动轴承故障诊断的关键是敏感故障特征的提取。多尺度模糊熵(multi-scale fuzzy entropy,简称MFE)是一种衡量时间序列复杂性的有效分析方法,已经被用于滚动轴承振动信号故障特征提取。针对MFE算法中多尺度粗粒化过程存在的缺陷,笔者采用滑动均值的方式代替粗粒化过程,提出了改进的多尺度模糊熵算法,并通过仿真信号将其与MFE进行了对比分析。在此基础上,提出了一种基于改进多尺度模糊熵与支持向量机的滚动轴承故障诊断方法。最后,将所提故障诊断方法应用于的滚动轴承实验数据分析,并与基于MFE的故障诊断方法进行了对比,结果验证了所提方法的有效性和优越性。

全文阅读

引言由于制造误差和装配不当等原因,滚动轴承在运转过程中必然会产生振动[1]。当轴承出现局部故障时,振动信号随之会表现出非线性、非平稳特性。直接从这些信号中提取故障特征将变得尤为困难。随着非线性科学理论的发展,很多非线性理论和方法,如小波分析、分形维数、近似熵等已被广泛应用于故障诊断领域[2-7],并取得了不错的效果。如文献[6]将经验模态分解(empincal mode decomposi-tion,简称EMD)分解的IMF分量与灰色关联模型结合建立IMF的能量分布,从而实现故障类型的诊断;文献[7]将分形维数与近似熵用于度量信号的复杂性,结果表明近似熵具有一定抗噪和抗野点的能力。针对近似熵存在自匹配的缺陷,Richman等[8]提出了样本熵的概念,样本熵作为常用的一种特征提取方法,具有抗噪能力强、所需时间序列短等优点,但是该方法只能从单一尺度描述故障特征状态。Costa等[9-10]在样本熵的基础上提出了多尺度熵(multi-scale entropy,MSE),用来衡量时间序列在不同尺度上的复杂性。针对MSE中样本熵相似性度量易发生突变,郑近德等[11]结合模糊熵的概念,提出了多尺度模糊熵(multiscale fuzzy entropy,简称MFE),并将其应用于滚动轴承的故障诊断。MFE是一种有效的衡量时间序列的复杂性方法,与单一尺度熵值相比,其既能在整体上反映动力学特征,又能从细节上揭示其演化特性,包含了更多的模式信息[12]。然而,研究发现,MFE中的多尺度粗粒化过程会导致熵值在较大尺度处的波动,产生端点“飞翼”现象[13]。为此,文中采用滑动均值求数据点间均值的方式改进粗粒化过程。在此基础上,提出了改进的多尺度模糊熵(improve multi-scalefuzzy entropy,简称IMFE)。改进后的多尺度过程综合考虑了相邻数据点的信息,不仅克服了时间数列变短的缺陷,而且能够提取更多的故障特征信息。最后,笔者将改进多尺度模糊熵与支持向量机结合,提出了一种新的滚动轴承故障诊断方法,并将其应用于试验数据分析。结果表明,所提方法能有效地利用少量的训练样本得到较高的故障识别率,是一种有效的故障诊断方法。1多尺度模糊熵算法1.1多尺度模糊熵算法多尺度模糊熵的计算步骤[11]如下1)设原始数据为Xi{}=X1,X2,…,XN{},建立粗粒化过程yj(τ)=1τ∑jτi=(j-1)τ+1Xi (1≤j≤N/τ)(1)其中:N为数据长度,τ=1,2,…,为尺度因子。τ=1时,yj(1)为原数据{Xi};τ>1时,原数据被分割成τ段长度不超过N/τ的粗粒序列{yj(τ)}。2)对得到的τ个粗粒序列分别求其模糊熵,并把熵值画成尺度因子的函数。模糊熵的定义参考文献[14-15]。由式(1)粗粒化过程可以发现,尺度因子越大,粗粒化序列长度越短,熵值的偏差会随着粗粒化序列长度减小而逐渐增大。不仅如此,以尺度因子τ等于2为例,粗粒化方式如图1所示。当尺度因子等于2时,粗粒化考虑了X1和X2,X3和X4等之间的信息,而没有考虑X2和X3、X4和X5等之间的信息,造成了信息的遗漏。为此,文中借鉴滑动均值的思想,提出了改进多尺度模糊熵算法。图1尺度因子等于2时的多尺度化方法Fig.1 Multiscale methods for scale factor equal to 21.2改进的多尺度模糊熵IMFE的计算步骤如下1)设原始数据为{Xi},建立改进粗粒化过程:yj(τ)=1τ∑j+τ-1i=jXi (1≤j≤N-τ+1)(2)当τ>1时,原始数据{Xi}

参考文献

引证文献

问答

我要提问