结合CEEMDAN和灰度关联分析方法的滚动轴承性能退化评估
发布时间：2021-08-10 17:34
针对大型机械设备中滚动轴承容易发生故障的问题,提出一种将自适应噪声的完备经验模态分解（CEEMDAN）和灰度关联分析相结合的滚动轴承性能退化评估方法。首先利用CEEMDAN对轴承全寿命周期的振动信号进行分解,得到能量熵特征,其次以正常状态下的特征矢量作为灰度关联分析的参考序列,然后计算轴承全寿命周期内的特征矢量与正常特征矢量的关联度,作为性能退化过程的定量评估指标,结果表明该方法能及时发现早期故障,并能很好的描述轴承退化的各个阶段。最后利用基于CEEMDAN和Hilbert包络解调的方法对评估结果的正确性进行了验证。
【文章来源】：华东交通大学学报. 2019,36(05)
【文章页数】：6 页
【部分图文】：
轴承IMFig.3BearingIMFene（a）
采集1次，快照持续时间为1s，数据采集的长度为20480个点。试验后期轴承1出现严重外圈故障，故本文采用轴承1的数据进行性能退化评估。3.2性能退化评估结果利用CEEMDAN算法对滚动轴承振动信号进行分解并计算每个对应的能量熵，由于每组数据的前10个IMF能量熵幅值较高，后3个幅值很小，如下图3所示（其余样本后3个能量熵幅值均很小）。因此本文选取每组数据的前10个IMF能量熵，构成984×10的矩阵作为性能退化评估的特征。图2试验台示意图Fig.2Schematicdiagramoftestbed选取前100组正常数据的IMF能量熵为参考序列，全寿命周期数据的能量熵为比较序列，得到全寿命周期数据能量熵与正常数据能量熵的关联度，滚动轴承全寿命性能退化评估结果如图4（a）所示，其中510~570组数据的评估结果如图4（b）所示。由图4可知，第1~532组数据关联度基本保持不变，第532组后连续多组数据的关联度呈减小趋势，且其后的关联度均低于第532组处的关联度，因此可认为第1~532组轴承处于正常状态，即第533组数据处轴承出现了早期故障。在第688组数据处出现明显下降，表明轴承故障开始恶化，并在急剧下降后出现上升阶段，说明在此阶段故障加深后又被渐渐磨平，最后在第886组数据又开始急剧下降，说明此时轴承接近失效。由上述分析，可将滚动轴承从正常到失效分为4个阶段，第1~532组正常阶段；第533~688组出现早期故障并逐渐加深；第689~886组故障急剧加深并逐渐磨平；第887组以后轴承出现严重故障接近失效?
。由此可知，轴承1在第533个样本处发生了外圈初始故障，与评估结果相符。4结论本文利用CEEMDAN方法将轴承振动信号分解并计算出能量熵特征，然后以前100组数据IMF能量熵作为参考序列，全寿命周期数据的IMF能量熵作为比较序列，计算两组序列之间的关联度，从而对滚动轴承的性能状态进行了有效的评估，与常规监测指标（如RMS等）相比，能更早的发现早期故障，最后通过CEEMDAN和Hilbert包络解调的方法对评估结果的正确性进行了验证。图5第533组数据的包络谱Fig.5EnvelopespectrumofdataforGroup5330200400600800100012000.250.200.150.100.050幅值/g频率/HzX:230.5Y:0.2473X:460.9Y:0.1239X:691.4Y:0.08158均方根值0.80.70.60.50.40.30.20.1002004006008001000样本序号702图4轴承IMF能量熵分布Fig.4BearingIMFenergyentropydistribution关联度0.980.960.940.920.900.880.860.840.820.8002004006008001000532样本序号6888860.9660.9640.9620.9600.9580.9560.9540.9520.950关联度532510520530540550560570样本序号（a）轴承全寿命周期内的评估结果（b）510~570组数据评估结果（c）轴承全寿命周期的RMS退化曲线周建民，等：结合CEEMDAN和灰度关联分析方法的滚动轴承性能退化评估95
【参考文献】：
期刊论文
[1]基于S变换和NMF的轴承故障诊断方法[J]. 陈小冬,熊国良,张磊. 华东交通大学学报. 2016(05)
[2]基于改进谐波小波包分解的滚动轴承复合故障特征分离方法[J]. 唐贵基,邓飞跃. 仪器仪表学报. 2015(01)
[3]基于MED-EEMD的滚动轴承微弱故障特征提取[J]. 王志坚,韩振南,刘邱祖,宁少慧. 农业工程学报. 2014(23)
[4]基于TESPAR与GMM的滚动轴承性能退化评估[J]. 张龙,黄文艺,熊国良,周建民,周继慧. 仪器仪表学报. 2014(08)
[5]基于灰度关联分析的苹果病害识别方法研究[J]. 霍迎秋,唐晶磊,尹秀珍. 实验技术与管理. 2013(01)
[6]机械故障诊断基础研究“何去何从”[J]. 王国彪,何正嘉,陈雪峰,赖一楠. 机械工程学报. 2013(01)
[7]基于EMD与谱峭度的滚动轴承故障检测改进包络谱分析[J]. 蔡艳平,李艾华,石林锁,白向峰,沈金伟. 振动与冲击. 2011(02)
[8]基于EMD能量熵和支持向量机的齿轮故障诊断方法[J]. 张超,陈建军,郭迅. 振动与冲击. 2010(10)
[9]基于EMD和Lempel-Ziv指标的滚动轴承损伤程度识别研究[J]. 窦东阳,赵英凯. 振动与冲击. 2010(03)
[10]极大熵谱法及其在滚动轴承故障诊断中的应用[J]. 徐玉秀,原培新,邢钢. 机械科学与技术. 2001(04)
本文编号：3334491
【文章来源】：华东交通大学学报. 2019,36(05)
【文章页数】：6 页
【部分图文】：
轴承IMFig.3BearingIMFene（a）
采集1次，快照持续时间为1s，数据采集的长度为20480个点。试验后期轴承1出现严重外圈故障，故本文采用轴承1的数据进行性能退化评估。3.2性能退化评估结果利用CEEMDAN算法对滚动轴承振动信号进行分解并计算每个对应的能量熵，由于每组数据的前10个IMF能量熵幅值较高，后3个幅值很小，如下图3所示（其余样本后3个能量熵幅值均很小）。因此本文选取每组数据的前10个IMF能量熵，构成984×10的矩阵作为性能退化评估的特征。图2试验台示意图Fig.2Schematicdiagramoftestbed选取前100组正常数据的IMF能量熵为参考序列，全寿命周期数据的能量熵为比较序列，得到全寿命周期数据能量熵与正常数据能量熵的关联度，滚动轴承全寿命性能退化评估结果如图4（a）所示，其中510~570组数据的评估结果如图4（b）所示。由图4可知，第1~532组数据关联度基本保持不变，第532组后连续多组数据的关联度呈减小趋势，且其后的关联度均低于第532组处的关联度，因此可认为第1~532组轴承处于正常状态，即第533组数据处轴承出现了早期故障。在第688组数据处出现明显下降，表明轴承故障开始恶化，并在急剧下降后出现上升阶段，说明在此阶段故障加深后又被渐渐磨平，最后在第886组数据又开始急剧下降，说明此时轴承接近失效。由上述分析，可将滚动轴承从正常到失效分为4个阶段，第1~532组正常阶段；第533~688组出现早期故障并逐渐加深；第689~886组故障急剧加深并逐渐磨平；第887组以后轴承出现严重故障接近失效?
。由此可知，轴承1在第533个样本处发生了外圈初始故障，与评估结果相符。4结论本文利用CEEMDAN方法将轴承振动信号分解并计算出能量熵特征，然后以前100组数据IMF能量熵作为参考序列，全寿命周期数据的IMF能量熵作为比较序列，计算两组序列之间的关联度，从而对滚动轴承的性能状态进行了有效的评估，与常规监测指标（如RMS等）相比，能更早的发现早期故障，最后通过CEEMDAN和Hilbert包络解调的方法对评估结果的正确性进行了验证。图5第533组数据的包络谱Fig.5EnvelopespectrumofdataforGroup5330200400600800100012000.250.200.150.100.050幅值/g频率/HzX:230.5Y:0.2473X:460.9Y:0.1239X:691.4Y:0.08158均方根值0.80.70.60.50.40.30.20.1002004006008001000样本序号702图4轴承IMF能量熵分布Fig.4BearingIMFenergyentropydistribution关联度0.980.960.940.920.900.880.860.840.820.8002004006008001000532样本序号6888860.9660.9640.9620.9600.9580.9560.9540.9520.950关联度532510520530540550560570样本序号（a）轴承全寿命周期内的评估结果（b）510~570组数据评估结果（c）轴承全寿命周期的RMS退化曲线周建民，等：结合CEEMDAN和灰度关联分析方法的滚动轴承性能退化评估95
【参考文献】：
期刊论文
[1]基于S变换和NMF的轴承故障诊断方法[J]. 陈小冬,熊国良,张磊. 华东交通大学学报. 2016(05)
[2]基于改进谐波小波包分解的滚动轴承复合故障特征分离方法[J]. 唐贵基,邓飞跃. 仪器仪表学报. 2015(01)
[3]基于MED-EEMD的滚动轴承微弱故障特征提取[J]. 王志坚,韩振南,刘邱祖,宁少慧. 农业工程学报. 2014(23)
[4]基于TESPAR与GMM的滚动轴承性能退化评估[J]. 张龙,黄文艺,熊国良,周建民,周继慧. 仪器仪表学报. 2014(08)
[5]基于灰度关联分析的苹果病害识别方法研究[J]. 霍迎秋,唐晶磊,尹秀珍. 实验技术与管理. 2013(01)
[6]机械故障诊断基础研究“何去何从”[J]. 王国彪,何正嘉,陈雪峰,赖一楠. 机械工程学报. 2013(01)
[7]基于EMD与谱峭度的滚动轴承故障检测改进包络谱分析[J]. 蔡艳平,李艾华,石林锁,白向峰,沈金伟. 振动与冲击. 2011(02)
[8]基于EMD能量熵和支持向量机的齿轮故障诊断方法[J]. 张超,陈建军,郭迅. 振动与冲击. 2010(10)
[9]基于EMD和Lempel-Ziv指标的滚动轴承损伤程度识别研究[J]. 窦东阳,赵英凯. 振动与冲击. 2010(03)
[10]极大熵谱法及其在滚动轴承故障诊断中的应用[J]. 徐玉秀,原培新,邢钢. 机械科学与技术. 2001(04)
本文编号：3334491
本文链接：https://www.wllwen.com/projectlw/xtxlw/3334491.html
