基于改进的ITD和模糊熵的滚动轴承故障诊断方法

作者:郑近德;程军圣;杨宇 刊名:中国机械工程 上传者:王玉英

【摘要】提出了改进的本征时间尺度分解方法(improved intrinsic time-scale decomposition,IITD)。针对从滚动轴承的非线性和非平稳振动信号中提取故障特征难的问题,在IITD基础上,结合模糊熵的概念,提出了一种新的滚动轴承故障诊断方法。首先采用IITD方法对滚动轴承振动信号进行分解,再对得到的前几个有意义的合理旋转分量计算其模糊熵,并将熵值作为特征向量输入支持向量机分类器,从而实现滚动轴承故障类别的诊断。实验数据分析结果表明,所提出的方法可有效地实现滚动轴承故障类别的诊断。

全文阅读

0引言常用的滚动轴承故障诊断的方法是对振动信号进行时频分析,然后从得到的分量中提取故障特征信息。杨宇等[1]通过对轴承的非平稳信号进行经验模态分解(empiricalmodefunction,EMD)并将能量熵作为特征信息实现了滚动轴承的故障诊断,罗洁思等[2]基于EMD提出了多尺度形态学解调的故障诊断方法,来凌红等[3]在EMD的基础上将样本熵应用于滚动轴承故障特征的提取,以上方法都取得了很好的效果。模糊熵是在近似熵[4]和样本熵[5]概念的基础上提出的一种衡量时间序列复杂性的方法,并已成功地应用于生理和医学时间序列分析[6]。由于轴承的故障振动信号是非平稳信号,具有复杂的调幅、调频和调相等调制特点,不同的故障类型信号的复杂性不同,因而其熵值也不同。而且某些故障一般会发生在特定的频段,故障频段内的信号会发生较大的变化,其复杂性也会发生变化。因此,可以用模糊熵表征滚动轴承振动信号的复杂性的变化。如果对原始振动信号直接求模糊熵,故障状态振动信号的熵值会比较接近,区分效果不明显,而且不能反映故障的本质。如果对振动信号进行自适应的时频分解,将其分解为若干个内禀模态函数[7-8],各分量包含了原始振动信号不同频段的特征信息,再对各分量计算模糊熵,这样既减少了信号间特征信息的干涉或耦合,也可实现故障特征的分离,同时也更能反映故障信息的本质[9]。常用的时频分析的方法有小波分析、经验模态分解等。但这些方法各有其局限性,2006年,Frei等[10]提出了另一种自适应时频分析方法本征时间尺度分解法(intrinsictime-scaledecom-position,ITD)。ITD方法能够自适应地将一个复杂信号分解为若干个相互独立的瞬时频率具有物理意义的合理旋转(properrotation,PR)分量和一个趋势项之和。但是研究发现,由于ITD方法中基线(或称为均值曲线)的定义是基于信号本身的线性变换,因此从第二个PR分量开始,波形会出现明显的失真。针对此,本文提出了改进的本征时间尺度分解方法(improvedintrinsictime-scaledecomposition,IITD),并进一步提出了基于IITD、模糊熵和支持向量机(SVM)[11]的滚动轴承故障诊断方法。实验结果表明,本文提出的方法能够有效和明显地区分滚动轴承的故障类型,是一种很有应用前景的故障诊断方法。1本征时间尺度分解方法1.1ITD概述对信号Xt,定义L为基线提取算子,即LXt表示信号的均值曲线,简记为Lt,则Xt被分解为Xt=Lt+Ht,这里Ht=Xt-Lt定义为合理旋转分量(PR)。(1)确定信号Xt(t0)的极值Xk及对应的时刻k(k=1,2,…,M,M为所有极值点个数),并计算Lk+1=[Xk+(k+1-kk+2-k)(Xk+2-Xk)]+(1-)Xk+1(1)k=1,2,…,M-2其中,01时,更多地计入较近的向量对其相似度的贡献而更少地计入较远的向量的相似度贡献;n<1时则相反。n过大会导致细节信息的丧失。n趋于无穷大时,指数函数退化为单位阶跃函数,此时边缘的细节信息被全部遗弃。为了捕获尽量多的细节信息,建议计算时取较小的整数值,如2或3等[16]。综上考虑,本文取n=2。模糊熵和样本熵都是衡量时间序列复杂度和维数变化时产生新模式的概率的大小的方法。序列产生新模式的概率越大,则序列的复杂度越大,熵值越大。模糊熵不仅具备了样本熵的特点:独立于数据长度(计算所需数据短)和保持相对一致性,而且还有更优越于样本熵之处:样本熵中两个向量的相似度定义是基于单位阶跃函数的,突变性较大,熵

参考文献

引证文献

问答

我要提问