基于MFE的滚动轴承故障诊断方法研究

作者:丛蕊;李纯辉 刊名:煤矿机械 上传者:朱书洪

【摘要】针对滚动轴承故障振动信号含噪声多、复杂程度高的特点;为实现准确的故障诊断;提出一种基于多尺度模糊熵(MFE)的滚动轴承故障诊断方法;由于LCD方法可以起到降噪的作用;故选用LCD分解后的ISC分量作为粗粒序列;计算分量的MFE;将MFE计算得到的特征参数输入到极限学习机(ELM)分类器中;分类识别滚动轴承的4种状态;实验结果表明;该方法可以有效地提取出滚动轴承的故障特征;实现故障诊断;

全文阅读

0引言在机械故障诊断领域,旋转机械的故障诊断是最重要的一环,而滚动轴承是旋转机械设备中经常出现故障的部件,所以研究滚动轴承的故障诊断对操作人员的安全和设备的可靠运行都具有重要的意义。滚动轴承故障信号通常为非平稳和非线性信号,因此如何从这类信号中提取特征信息及分离故障模式是故障诊断的关键。熵是热力学领域上的概念,Shannon最早将其运用到信息领域,提出了信息熵的概念。之后熵被广泛应用在各个领域,学者们接连提出了近似熵、样本熵及模糊熵等非线性分析时间序列方法。近似熵和样本熵分别由文献[5]和文献[6]提出,都是衡量时间序列复杂性的标准,复杂性越高,熵值越大。有学者在尺度熵的基础上提出了多尺度熵,用以衡量不同尺度下的序列的复杂程度。文献[7]将样本熵改进,提出了模糊熵。在模糊熵的基础上,文献[8]借鉴多尺度熵的概念提出了多尺度模糊熵(MFE),其在计算上具有所需数据短、抗干扰能力强等特点。由于滚动轴承的故障振动信号复杂程度较高、噪声干扰严重,若直接对原始信号使用MFE提取特征向量,故障诊断效果并不理想。因此本文对振动信号被LCD分解后的ISC分量进行MFE分析,用极限学习机(ELM)作为分类器,实现滚动轴承的故障诊断。通过分析滚动轴承的4种状态,验证了该方法的有效性及优越性。1 MFE理论1.1模糊熵模糊熵描述了一个模糊集的模糊程度,能够衡量一种模式产生的概率大小,根据模糊函数e-(d/r)来测量向量之间的相似性。模糊熵的定义:(1)对N点采样序列u={u(1),u(2),…,u(N)}按顺序构造一组m维向量Xim={u(i),u(i+1),…,u(i+m-1)}-u0(i)(1)从第i个点开始的连续m个采样的均值u0(i)=1Σu(i+j) mm-1j=0(2)(2)定义2个m维向量Xim与Xjm的距离dij为两者对应元素差值的最大值mndimj=d[Xim,Xjm]=max{|[u(i+k)-u0(i)]-[u(j+k)-u0(j)]|}dimj=d[Xim,Xjm]=k∈m(0,amx-1){|[u(i+k)-u0(i)]-[u(j+k)-u0(j)]|}(3)i、j=1,2,3,…,N-m;i≠j(3)用模糊隶属度函数μ(dijm,n,r)定义Xim与Xjm的相似度Dij=μ(dij,n,r)=e-(dij/r)(4)Dijm=μ(dijm,n,r)=e-(dijm/r)n(4)(4)式中μ(dijm,n,r)——指数函数;n、r——其边界的梯度和宽度。(4)定义函数准m(n,r)=N-1mΣ(N-1m-1ΣDij)准m(n,r)=N-1mNi-=Σm1(N-1m-1j=N1-,Σjm≠iDijm)(5)N-mΣ(N-1m-1i=1j=1,j≠iΣ(N-1m-1N-mj=1,j≠iΣDij)(5)m(5)(5)再构造m+1维时间序列,重复步骤(1)~(4)。准m+1(n,r)=N-1mNi-=Σm1(N-1m-1j=N1-,Σjm≠iDijm+1)准m+1(n,r)=N-1mΣ(N-1m-1ΣDij)N-mΣ(N-1m-1i=1j=1,j≠iΣ(N-1m-1N-mj=1,j≠iΣDij)(6)(6)定义模糊熵FuzzyEn(m,n,r)=lim[ln准m(n,r)-ln准m+1(n,r)](7)FuzzyEn(m,n,r)=Nli→m∞[ln准m(n,r)-ln准m+1(n,r)](7)当N为有限数时,则式(7)表示为FuzzyEn(m,n,r,N)=ln准m(n,r)-ln准m+1(n,r)(8)(8)1.2 MFEMFE是借鉴多尺度熵的概

参考文献

引证文献

问答

我要提问