基于小波包熵和聚类分析的滚动轴承故障诊断方法

作者:杨青;孙佰聪;朱美臣;杨青川;刘念 刊名:南京理工大学学报 上传者:江红红

【摘要】为了提高滚动轴承震动信号故障诊断的准确性,该文提出了一种基于小波包熵和聚类分析的集合型故障诊断方法。用小波包对滚动轴承振动信号进行三层分解,并提取其能量特征。以振动信号的能量分布作为概率分布进行信息熵运算,提取振动信号特征。为了检测是否有故障发生,结合减法聚类的思想,提出采用密度指标最高原则优化初始聚类中心的K均值聚类算法进行聚类。为了检验所提方法的有效性,采用不同故障直径的滚动轴承数据进行实验。实验结果表明,新的聚类方法克服了传统K均值聚类对初始聚类中心敏感的缺陷,其结果可以作为滚动轴承早期故障诊断的依据。

全文阅读

滚动轴承是各种旋转机械中应用最广泛的一种通用部件,它在旋转机械中起着关键的作用。据统计,约有30%的旋转机械故障都是由滚动轴承的故障引起的,滚动轴承的运行状况直接影响整台机械的整体性能。因而对滚动轴承进行故障诊断具有重要的现实意义和经济价值。当机械元件如滚动轴承等出现局部缺陷故障时,会产生一系列的冲击信号,表现为振动信号的突变。这些变化含有丰富的故障信息特征,因而振动信号的检测在机械故障诊断领域得到广泛采用。目前国内外大都采用频谱分析来进行振动检测与诊断。但对于电机轴承等复杂的机械,不易通过频谱找到故障特征频率,并且振动信号的通频带上有大量的能量分布,使得轴承振动信号的正常频谱和故障频谱不易区分。此外还有经验模态分解(Empiricalmodedecomposition,EMD)、奇异值分解(Singularvaluedecomposition,SVD)、分形盒维数等[1,2]方法。但这些方法比较复杂,需要滚动轴承的外圈直径、滚球大小等几何参数和转动速度等信息。为此需要寻找其他方法提取滚动轴承振动信号的特征参数,以便能够直接了解滚动轴承的运行状态。考虑到振动信号对各个频带的能量具有较大的影响,因而可以采用小波包进行频带能量分析。但是传统的小波包有其自身的缺点。本文采用小波包能量谱分析和样本熵相结合,提取电机轴承的故障特征信息。对滚动轴承进行故障诊断,传统的方法在很大程度上依赖于实际工程经验。近些年来一些智能故障诊断方法成为了故障诊断领域的研究热点,如人工神经网络、模糊C均值、支持向量机等[3-5]。Yiakopoulos等人[6]提出采用K均值(K-means)的方法进行故障辨识。K-means聚类是一种无监督动态聚类方法,具有一定的适应性。但是K-means聚类算法严重依赖于初始聚类中心的选取,且容易受孤立点的影响。本文提出一种将减法聚类思想和K-means聚类相结合的方法,即减法K均值(SubtractiveK-means,S-K-means)方法。依据最高密度指标原则寻找初始聚类中心,然后利用K-means的方法进行故障辨识。通过对滚动轴承故障诊断实验,验证该方法的合理性和可靠性。1小波包熵特征提取小波包熵[7,8]与其他小波时间熵、小波奇异熵一样,都属于小波熵。小波包熵是将小波包分析与信息熵相结合,由于小波包变换可以对信号的低频和高频部分同时进行分解,弥补了小波变换只对信号的低频部分进行分解的不足,进一步提高了时频分辨率。因此小波包熵与其他小波变换的小波熵相比,算法简单,计算速度快。如图1所示,为1个小波包三层分解树。图1小波包分解树图1中结点(n,m)代表第n层的第m个结点。结点(0,0)为原始信号,通过正交共轭低通滤波器和高通滤波器,可以将原始信号无重叠地分解到相邻的独立频道上。经过分解得到第三层8个相邻频带的小波包分解系数,其中第n层频带宽度为f/2n,n=1,2,3,f代表采样频率。结点(n,m)的频带范围为[mf/2n,(m+1)f/2n]。由于滚动轴承故障会对各个频带内信号的能量产生较大的影响,而信息熵是对序列未知程度的一种测度,可以用来评估信号的复杂性,因而本文将小波包分析和信息熵相结合,提取滚动轴承故障特征。滚动轴承小波包熵故障特征提取的步骤如下:(1)将采集到的滚动轴承振动信号S进行3层分解,从而得到第3层从低频到高频的8个子频带分解系数。(2)对各层小波包分解系数进行重构,提取滚动轴承各个频带范围信号S3,m(m=0,1,2,…,7),则总信号为各个频带范围信号之和。S=S3,0+S3,1+S3,2+S3,3++S3,

参考文献

引证文献

问答

我要提问