基于自适应多尺度散布熵的滚动轴承故障诊断方法

作者:李从志;郑近德;潘海洋;刘庆运; 刊名:噪声与振动控制 上传者:敬谢攀

【摘要】针对滚动轴承振动信号的非平稳、非线性特性,将一种新的衡量时间序列复杂性和不规则程度指标——散布熵(dispersion entropy,DE)引入到滚动轴承非线性故障特征提取,提出一种基于经验模态分解与DE相结合的自适应多尺度散布熵滚动轴承故障诊断方法。首先,采用经验模态分解对振动信号进行分解,得到若干不同尺度的本征模态函数;其次,计算每个本征模态函数的DE值;再次,将得到的DE值作为特征向量输入到基于支持向量机建立的多故障分类器进行训练和识别。最后,将提出的滚动轴承故障诊断方法应用于试验数据分析,结果表明,提出的方法能准确地识别滚动轴承故障类型。

全文阅读

滚动轴承是旋转机械中最常用、也是最容易发生故障的零部件[1]。滚动轴承发生故障时,其故障振动信号往往是非线性、非平稳的[2],传统的线性信号分析方法很难直接获得故障信息[3]。而许多非线性动力学方法,如分形,近似熵,样本熵,排列熵等,因能够反映振动信号的非线性特征而在机械故障诊断中得到了广泛应用。如文献[4]将形态学分形维数应用于滚动轴承特征提取;文献[5]将分形维数应用于轴承早期故障诊断;文献[6]通过计算经局域波分解后得到的基本模式分量的近似熵来量化故障特征;文献[7-8]将样本熵(Sample entropy,SampEn)运用于滚动轴承故障诊断,文献[9]将排列熵[10](Permutation entropy,PE)应用于振动信号突变检测等,都取得了不错的诊断效果。尽管如此,上述方法也有其自身的缺陷。如SampEn计算慢,实时性差,且相似性度量易发生突变;PE虽然概念简单计算速度快[11],但没有考虑振幅的平均值和振幅值之间的差异。最近,Mostafa Rostaghi和Hamed Azami[12]提出了一种新的不规则指标——散布熵(dispersionentropy,DE),DE算法计算速度快且考虑了幅值间关系,在一定程度上解决了SampEn与PE的上述缺陷。然而,由于滚动轴承振动信号的复杂性,单一尺度的熵值很难完全反映全部的故障信息。Huang等[13]提出的经验模态分解(Empirical ModeDecomposition,EMD)是一种自适应的信号分解方法,能够将一个复杂的多分量分解为若干个本征模态函数(Intrinsic mode function,IMF)和一个趋势项之和,即能够自适应地实现振动信号的多尺度化,基于此,本文考虑将EMD与DE结合,提出基于EMD与DE的自适应多尺度散布熵(Adaptive Multi-scaleDispersion Entropy,AMDE)方法。即首先采用EMD对原始数据进行自适应多尺度分解,得到若干IMF分量;其次,计算每一个IMF的DE值;得到的若干个DE值称为自适应多尺度散布熵值,并将其应用于滚动轴承滚动轴承的故障特征的提取。最后,建立基于支持向量机的多故障分类器对滚动轴承故障特征向量进行识别,实现对滚动轴承不同位置故障的智能诊断。最后,将提出的方法应用到滚动轴承试验数据分析,并与现有同类方法进行对比,结果表明,本文提出的方法能准确地识别滚动轴承的故障类型,而且具有一定的优越性。1散布熵算法1.1散布熵计算方法DE是一种衡量时间序列复杂性或不规则程度的算法,对于给定的长度为N的时间序列x={xj, j=1,2,…,N},DE计算步骤如下:(1)利用正态分布函数yj=1σ2π∫-∞xje-(t-μ)22σ2d t (1)将时间序列x映射到y={yj,j=1,2,…,N},yi∈(0,1)。其中μ和σ2分别表示期望和方差。(2)再通过线性变换zcj=R(c?yj+0.5)(2)将y映射到[1,2,…,c]的范围内(R为取整函数),c为类别个数。事实上,步骤(1)和步骤(2)是将时间序列x中的每个元素都映射到[1,2,…,c]内。(3)利用式(3)计算嵌入向量zm,cizm,ci={zci,zci+d,…,zci+(m-1)d}, i=1,2,…,N-(m-1)d (3)其中:m和d分别为嵌入维数和时延。(4)计算散布模式πv0v1…vm-1(v=1,2,…,c)。若zci=v0,zci+d=v1,…,zci+(m-1)d=vm-1则zm,ci对应的散布模式为πv0,v1…,vm-1。由

参考文献

引证文献

问答

我要提问