融合CEEMD＿MPE和GK模糊聚类的故障识别方法

发布时间：2022-01-06 17:10

　　针对转子故障信号非线性、非平稳性的特点,提出了一种基于互补集合经验模态分解、多尺度排列熵和GK聚类的故障特征提取和识别方法。首先采用互补集合经验模态分解对故障信号进行分解,依据相关系数原则,选取相关系数最大的模态分量作为分析对象;然后利用多尺度排列熵量化模态分量的故障特征作为特征向量;最后,将经过PCA（Principal Component Analysis）降维后的低维特征集输入到GK模糊聚类算法中进行故障识别分类。将所提方法应用于典型转子实验台的故障特征集,通过分类系数与划分熵对分类效果进行检验,并与其他模式组合方法进行比较。结果表明,本文所提方法能够更有效提取故障特征。 

【文章来源】：振动工程学报. 2020,33(03)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

故障聚类方法流程

图1 故障聚类方法流程由于篇幅限制，本研究以不对中状态进行分析，其原始振动信息如图3所示。本文根据Yeh等针对CEEMD添加参数的研究，选择CEEMD添加的白噪声幅值为0.15，添加白噪声对数为50[10]。图4为原始振信号经CEEMD自适应分解后得到12个IMF分量。分别计算各阶IMF与原信号的相关系数，得到表1。由此可以得出，IMF与原始振动信号的相关系数最大为1.0000，因此选择IMF1为最优分量进行下一步故障分类和识别。

在计算多尺度排列熵时，需对以下4个参数进行设定：时间序列长度N、嵌入维数f、时延因子τ和尺度因子s。嵌入维数一般取3-7[15]，若f太小，重构序列中可能包含的状态会太少，难以检测出时间序列的动态突变；若f太大，将无法反映时间序列的细微变化。本文选取f=4。延迟时间τ对时间序列的计算影响较小，尺度因子s的最大值一般取大于10[20]即可。图5为不同时延下排列熵数值变化情况，可以看出时延对信号的影响较小，因此取τ=1。尺度因子取s=12，计算12个粗粒向量的排列熵，得到5种状态结果如图6所示。图4 不对中状态故障CEEMD处理结果

【参考文献】：
期刊论文
[1]一种ELMD模糊熵和GK聚类的轴承故障诊断方法[J]. 杨帅杰,马跃,张旭,李铎.  机械设计与制造. 2018(06)
[2]基于FVMD多尺度排列熵和GK模糊聚类的故障诊断[J]. 陈东宁,张运东,姚成玉,孙飞,周能元.  机械工程学报. 2018(14)
[3]CEEMD和小波半软阈值相结合的滚动轴承降噪[J]. 王亚萍,匡宇麒,葛江华,许迪,孙永国.  振动.测试与诊断. 2018(01)
[4]基于变分模态分解和多尺度排列熵的故障诊断[J]. 陈东宁,张运东,姚成玉,来博文,吕世君.  计算机集成制造系统. 2017(12)
[5]基于ITD-形态滤波和Teager能量谱的轴承故障诊断[J]. 张小龙,张氢,秦仙蓉,孙远韬.  仪器仪表学报. 2016(04)
[6]基于粗糙集属性约简和贝叶斯分类器的故障诊断[J]. 姚成玉,李男,冯中魁,陈东宁.  中国机械工程. 2015(14)
[7]基于DLMD样本熵和模糊聚类的滚动轴承故障诊断[J]. 孟宗,王亚超,王晓燕.  中国机械工程. 2014(19)
[8]基于EEMD样本熵和GK模糊聚类的机械故障识别[J]. 王书涛,李亮,张淑清,孙国秀.  中国机械工程. 2013(22)
[9]多尺度排列熵及其在滚动轴承故障诊断中的应用[J]. 郑近德,程军圣,杨宇.  中国机械工程. 2013(19)
[10]基于Morlet小波变换的滚动轴承早期故障特征提取研究[J]. 马伦,康建设,孟妍,吕雷.  仪器仪表学报. 2013(04)



本文编号：3572848