基于EEMD与模糊信息熵的旋转机械故障诊断方法

发布时间：2020-12-28 04:07

　　针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率. 

【文章来源】：兰州理工大学学报. 2020年03期 北大核心

【文章页数】：6 页

【部分图文】：

基于EEMD与FIE的故障诊断流程图

对转子轴系不对中、质量不平衡、动静碰磨、轴承松动和正常状态下均截取信号长度1 024点的数据为例作为故障振动信号波形,经过消噪处理后得到的原始故障振动信号波形图如图2所示.按本文方法对五种状态进行实验分析,对每种状态的振动信号进行EEMD分解,获得若干IMF分量.根据文献[13]的实验方法,本实验将辅助白噪声标准差设为原始标准差(Ds)的0.2倍且设迭代次数M=100,图3为动静碰磨故障振动信号EEMD的分解结果.从图中可以看出EEMD分解的碰磨故障信号从高频到低频逐次分解出8个IMF分量和1个余项.由文献[14]可知IMF分量从高频到低频的度量因子依次增大,与原始信号的相关程度相应降低,因此高频IMF分量含有丰富的故障信息,本文取前5个高频IMF分量作为计算故障特征的新信号源.

按本文方法对五种状态进行实验分析,对每种状态的振动信号进行EEMD分解,获得若干IMF分量.根据文献[13]的实验方法,本实验将辅助白噪声标准差设为原始标准差(Ds)的0.2倍且设迭代次数M=100,图3为动静碰磨故障振动信号EEMD的分解结果.从图中可以看出EEMD分解的碰磨故障信号从高频到低频逐次分解出8个IMF分量和1个余项.由文献[14]可知IMF分量从高频到低频的度量因子依次增大,与原始信号的相关程度相应降低,因此高频IMF分量含有丰富的故障信息,本文取前5个高频IMF分量作为计算故障特征的新信号源.按照模糊熵和模糊信息熵计算步骤求取前5个IMF分量的熵值.设定数据长度N=5 120,嵌入维数m=2,相似容限r=0.2Ds[15-16],得出的模糊熵和模糊信息熵见表1和表2,限于篇幅在此只列出其中一个通道转子轴系不对中、质量不平衡、动静碰磨、轴承松动和正常5种状态分别进行EEMD分解后 IMF分量的特征熵值情况.

【参考文献】：
期刊论文
[1]基于EEMD的多尺度模糊熵的齿轮故障诊断[J]. 杨望灿,张培林,王怀光,陈彦龙,孙也尊.  振动与冲击. 2015(14)
[2]基于EEMD形态谱和KFCM聚类集成的滚动轴承故障诊断方法研究[J]. 郑直,姜万录,胡浩松,朱勇,李扬.  振动工程学报. 2015(02)
[3]信息熵与经验模态分解集成的转子故障信号量化特征提取[J]. 赵荣珍,杨文瑛,马再超,杨娟.  兰州理工大学学报. 2013(01)
[4]基于EEMD、度量因子和快速峭度图的滚动轴承故障诊断方法[J]. 彭畅,柏林,谢小亮.  振动与冲击. 2012(20)
[5]基于粗糙集数据分类概念的故障知识发现[J]. 赵荣珍,邓林峰.  振动.测试与诊断. 2012(01)
[6]航空发动机整机振动故障模糊信息熵诊断方法[J]. 艾延廷,费成巍,王志.  推进技术. 2011(03)



本文编号：2943099