IFD与KELM结合的滚动轴承故障诊断方法

发布时间：2020-10-31 14:21

　　 针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.
【部分图文】：

设采样频率为1 024 Hz, 采样时间为1 s. 分别用IFD和EMD对X(t)进行分解, 结果如图1所示. 图1(a)为IFD分解得到的前4个IMF分量. 从时域波形图中看出, IFD基本能够将3种频率信号分离出来, 各模态之间基本没有模态混叠现象. 图1(b)反映了EMD分解仿真信号的前4个IMF分量的时域波形图. 从图中可以看出, EMD虽然可以识别出3个频率成分, 但各模态之间存在一定的模态混叠, 分解结果容易受噪声影响. 通过以上仿真信号可以初步证明, 对于含噪信号, IFD方法较EMD方法有更精确的分解结果, 能够更好地抑制模态混叠.5 实验结果与分析

从图中可以看出, 发生故障时, 各频段的能量和复杂度都发生显著变化. IMF分量的能量和排列熵总体分布趋势是减小的, 说明越往后的分量包含的故障信息越少. 轴承处于某一种状态时, 不同频段的能量分布不同, 信号复杂度也不同, 将二者结合能够弥补单个特征不能很好地区分轴承工作状态的不足. 对于滚动轴承不同的故障类型, 其本征模态分量的能量与排列熵都有较大的差异, 有利于实现对不同故障类型的分类.5.3 故障诊断实验

分别利用IFD和EMD对各组振动信号进行分解, 选取包含主要信息的前4个IMF分量, 计算每个IMF分量的能量与排列熵, 得到一个大小500 × 8的特征向量矩阵, 选择Z-score方法对特征数据集标准化处理以提高数据间的可比性. 对10种数据依次赋予标签1～10, 抽取每种状态的25组数据作为训练样本, 余下25组数据作为测试样本, 其中标签1为正常轴承, 标签2～4分别为故障直径0.178 mm的内圈、 外圈、 滚动体轻度故障, 标签5～7分别为故障直径为0.356 mm的内圈、 外圈、 滚动体中度故障, 标签8～10分别为故障直径为0.533 mm的内圈、 外圈、 滚动体重度故障. 采用IFD-KELM与EMD-KELM两种故障诊断方法的故障识别结果如图3所示.从图3中可以看出, IFD-KELM故障识别结果优于EMD-KELM故障识别结果. 进一步分析融合特征的优势, IFD与EMD提取的不同特征的故障识别率如表1所示. 由表1可知, 一方面, 由于机械设备的复杂性, 单一的故障信息难以充分描述设备的状态, 使用能量或排列熵作为故障特征的准确率要低于能量与排列熵融合特征的准确率. 另一方面, 基于IFD的故障诊断方法的准确率高于EMD方法准确率, 这是由于通过IFD分解得到的模态函数较EMD更加平稳, 在抑制模态混叠上有更好的效果, 模态混叠的减少将有利于故障特征的提取.
【相似文献】

相关期刊论文 前10条

1 孙文卿;邓艾东;邓敏强;朱静;翟怡萌;程强;刘洋;;基于随机森林和自编码的滚动轴承多视角特征融合（英文）[J];Journal of Southeast University(English Edition);2019年03期

2 谭君贤;贺晓蓉;杨绍荣;熊文;;滚动轴承故障智能诊断系统及故障测试实验[J];设备管理与维修;2012年07期

3 向丹;岑健;;基于EMD熵特征融合的滚动轴承故障诊断方法[J];航空动力学报;2015年05期

4 张益纯,刘振娟;滚动轴承故障分析探讨[J];内燃机配件;2000年03期

5 张益纯;滚动轴承的故障判断[J];设备管理与维修;1995年09期

6 杨阳;;滚动轴承故障诊断方法研究[J];现代装饰(理论);2016年03期

7 苏志忠;吴金强;张国新;;低速重载滚动轴承故障诊断的研究与应用[J];轴承;2008年11期

8 呼刚义;王凯;关雄飞;;噪声环境下滚动轴承故障的盲源分离[J];制造技术与机床;2013年04期

9 李鑫;;小波分析在滚动轴承故障信号处理中的应用[J];国外电子测量技术;2013年06期

10 王延松，李树才，蒋钰洁;滚动轴承故障的快速诊断[J];林业机械与木工设备;1996年03期

相关博士学位论文 前10条

1 廖强;约束独立分量和多小波分析在滚动轴承故障诊断中的应用[D];电子科技大学;2016年

2 王聪;基于稀疏表达的机械信号处理方法及其在滚动轴承故障诊新中的应用研究[D];中国科学技术大学;2017年

3 池永为;滚动轴承故障的振动特性分析与智能诊断方法研究[D];浙江大学;2018年

4 徐剑;基于短时奇异谱分析的滚动轴承故障诊断方法研究[D];浙江大学;2017年

5 曾鸣;基于凸包的模式识别方法及其在滚动轴承故障诊断中的应用[D];湖南大学;2016年

6 于江林;滚动轴承故障的非接触声学检测信号特性及重构技术研究[D];大庆石油学院;2009年

7 赵协广;基于小波变换和经验模态分解的滚动轴承故障诊断方法研究[D];山东科技大学;2009年

8 甘萌;信号的稀疏表达在滚动轴承故障特征提取及智能诊断中的应用研究[D];中国科学技术大学;2017年

9 侯者非;强噪声背景下滚动轴承故障诊断的关键技术研究[D];武汉理工大学;2010年

10 Ao Hung Linh（池雄岭）;基于化学反应优化算法和支持向量机的滚动轴承故障诊断方法研究[D];湖南大学;2014年

相关硕士学位论文 前10条

1 汤超;基于IFD与SVM的滚动轴承故障诊断方法研究[D];昆明理工大学;2016年

2 孙良棚;基于CEF和集成KELM的滚动轴承RUL预测方法研究[D];哈尔滨理工大学;2019年

3 俞昆;基于深度信念网络与多传感器信息融合的滚动轴承故障诊断研究[D];青岛理工大学;2016年

4 高正;基于EWT和特征融合的钻机钻杆故障识别研究[D];浙江大学;2019年

5 高朋飞;风机滚动轴承故障诊断方法研究[D];山东理工大学;2014年

6 帅园园;车辆滚动轴承故障诊断分析技术的研究[D];大连交通大学;2008年

7 杨敏敏;基于支持向量机的滚动轴承故障诊断方法研究[D];江西理工大学;2012年

8 裴新才;基于遗传神经网络的滚动轴承故障诊断方法的研究[D];山东理工大学;2012年

9 白文广;基于虚拟仪器技术的滚动轴承故障检测系统的研究[D];华北电力大学（河北）;2008年

10 吕路勇;基于振动信号的滚动轴承故障诊断方法研究[D];华北电力大学（河北）;2008年

本文编号：2864060