基于小波去噪和MSE的滚动轴承故障诊断

作者:张坤;郝伟;郝旺身;王洪明;欧阳贺龙;韩捷 刊名:煤矿机械 上传者:黄文宇

【摘要】介绍一种将小波去噪与多尺度熵方法相结合的滚动轴承故障诊断方法,通过采用小波去噪后信号进行多尺度熵分析,得到多尺度熵曲线分布,对滚动轴承的正常状态、内圈故障、滚动体故障和外圈故障4种故障类型下的振动信号分析表明,小波多尺度熵方法在合适的尺度因子下能够有效的区分4种故障类型,可以进行滚动轴承的故障识别,并且优于传统的多尺度熵方法。

全文阅读

0引言轴承故障的产生会引起机械设备的振动,轴承振动信号具有非线性、非平稳以及跨尺度复杂性的特点,而且振动信号不可避免地包含一定的噪声。传统的信号消噪方法(如FFT、WDT等)比较适合处理平稳信号,但在处理非平稳信号方面具有局限性。小波分析是一种既可以在时域上对信号处理又可以在频域上对信号处理的分析方法,信号中的噪声以及突变部分它能准确的识别出来,进而实现信号的去噪。近年来,研究人员将近似熵、样本熵、能量熵、排列熵等知识应用于故障诊断领域中,推动了故障诊断方法和技术的完善。20世纪90年代,StevenM.Pincus提出了近似熵的概念。Richman在近似商的基础上提出样本熵概念。但是近似熵和样本熵均是基于单个时间尺度不适合处理具有多个尺度的振动信号。2002年Costa等人提出了多尺度熵(MSE)的概念,率先将其应用于心电图等心理信号的分析,并取得了相当不错的效果。本文提出小波消噪和多尺度熵相结合的轴承故障诊断方法,将原始信号进行小波去噪,通过MSE分析去噪后的轴承故障信号的多尺度熵来实现故障类型的识别。1小波去噪原理(1)小波分析理论设函数(t)L2(R),满足R乙(t)dt=0,则称(t)为基本小波。将尺度因子a以及平移因子b引入基本小波,对其进行伸缩、平移变换,得到函数族a,b(t)=|a|-1/2t-ba乙乙,则信号f(t)的小波变换为WTa,b=R乙f(t)(t)dt=|a|-1/2R乙f(t)t-ba乙乙dt(1)式中(t)(t)的共轭函数。小波变换的计算量非常大,为了能在电脑上计算,大多数情况下采用离散化的小波变换。对平移参数和尺度因子进行离散采样:a=a0m,b=nb0a0m,则a,b(t)经过小波变换处理后为m,n(t)=a0-m/2(a0mt-nb0)(2)对信号f(t)进行离散小波变换后得到WTa,b=R乙f(t)m,n(t)dt=(3)其中,m,nZ针对小波具有多分辨率的特点,提出了比较快速的小波分解与重构的算法,即所谓的马拉特算法。对f(t)信号进行离散化采样,则该小波分解的算法为anj=k=-hakj-1,dnj=k=-gdkj-1(4)anj是f(t)的尺度函数,dnj是f(t)的小波系数。与此相对应的重构的算法为anj-1=k=-hakj+k=-gdkj(5)对于一个信号,通过小波分析算法可以进行分解和重构,为小波去噪提供了理论依据。通过合理地选择小波系数,进行信号的去噪,达到分析的目的。(2)小波阈值去噪原理通过小波变换理论可知,高斯白噪声信号经过小波变换后仍然呈高斯分布,而且它均匀的分布在频率尺度空间中,但是信号具有有限性,它的小波系数仅集中在频率尺度空间的有限部分。一般情况下,噪声的小波系数的数值必然小于小波系数。为了达到去除噪声目标,通过选取合适的阈值,尽可能的保留有用的小波系数,去掉来自噪声的小波系数。小波阈值去噪包括硬阈值去噪和软阈值去噪2种方法,硬阈值去噪能够保留信号边缘的局部特征,但是容易丢失数据,软阈值去噪后的信号相对硬阈值去噪后的信号光滑,更加接近原信号,二者的表达式软阈值S=sign(x)(|x|-),|x|>0,|x|硬阈值S=x,|x|>0,|x|其中表示阈值小波去噪阈值的选择一般依据以下4种方法:1无偏似然估计(SURE)的自适应阈值估计法;2通用阈值T=n姨2lg(N)法(N为小波分解系数的长度,n为噪声信号的标准差);3启发式最优阈值估计法;4极大值极小值阈值估计法。2多尺度熵多尺度熵的计算方法:首先将原始信号的时间序列粗粒化,构造不同时间尺度上的时间序列。将原始信号记为{yi}(

参考文献

引证文献

问答

我要提问