基于层次多尺度散布熵的滚动轴承智能故障诊断

分类：论文范文 发表时间：2021-11-16 10:28

　　摘要：针对全寿命周期内滚动轴承振动信号的特征提取与智能诊断问题，该研究提出一种基于层次多尺度散布熵的滚动轴承智能故障诊断方法。首先，在散布熵的基础上，结合层次分解和多尺度分析的理论思想，提出一种信号复杂性度量方法——层次多尺度散布熵（HierarchicalMultiscaleDispersionEntropy,HMDE）；其次，为了避免HMDE按经验性选取参数的缺陷，借助鸟群优化算法（BirdSwarmAlgorithm,BSA）自适应地确定其重要参数，并采用参数优化的HMDE提取原轴承振动信号中的多层次、多尺度故障特征；最后，将构建的多维度故障特征矩阵输入到支持矩阵机（SupportMatrixMachine,SMM）中进行模型训练并完成轴承故障模式及程度的自动判别。通过2组轴承加速寿命试验对所提方法进行了有效性验证。通过与精细复合多尺度散布熵（RefinedCompositeMultiscaleDispersionEntropy,RCMDE）、广义复合多尺度排列熵（GeneralizedCompositeMultiscalePermutationEntropy,GCMPE）、广义精细复合多尺度样本熵（GeneralizedRefinedCompositeMultiscaleSampleEntropy,GRCMSE）、层次模糊熵（HierarchicalFuzzyEntropy,HFE）、层次样本熵（HierarchicalSampleEntropy,HSE）、修改的层次多尺度散布熵（ModifiedHierarchicalMultiscaleDispersionEntropy,MHMDE）和层次多尺度排列熵（HierarchicalMultiscalePermutationEntropy,HMPE）方法的识别精度对比，对于XJTU-SY轴承加速寿命试验，本文方法的平均识别精度分别提高了3.89、12.34、6.63、9.15、7.09、0.81和2.63个百分点。对于ABLT-1A轴承加速寿命试验，本文方法的平均识别精度分别提高了2.17、3.51、6.17、9.51、11.51、1.17和3.01个百分点。本文方法实现了全寿命周期内滚动轴承不同故障模式及程度的识别，与传统的基于多尺度熵或层次熵的故障诊断方法相比，能够获取更全面、更丰富的轴承故障特征信息，识别精度得到了较大的提升。本文研究可为全寿命周期内滚动轴承故障诊断提供参考。

　　关键词：轴承；熵；故障诊断；特征提取；鸟群优化算法；支持矩阵机

　　0引言

　　滚动轴承作为机械设备重要的组成部件，在航空航天、高速铁路、矿山冶金、风力发电等行业都是必不可少的[1]。在实际工程应用中，随着机械设备的长期运转，受载荷、转速、环境等多因素影响，轴承会不可避免地出现损坏，其故障发展过程通常会经历正常、轻微故障、中度故障、严重故障、失效等几个阶段。然而，滚动轴承在整个生命周期内的运行健康状态不易有效辨识和区分。因此，如何采用先进的特征提取方法从轴承全寿命周期数据内获取有效丰富的故障诊断信息，对保障机械设备安全稳定运行具有重要的现实意义[2]。

　　1层次多尺度散布熵

　　1.1HMDE的定义

　　图1为HMDE的流程图。对于一个给定的时间序列{(),1,2,,}xiiN??，HMDE的计算过程如下：

　　1）定义一个平均算子Q0和差分算子Q1为[18]10(2)(21)(),0,12,,22xixinQxi?????，?（1）11(2)(21)(),0,1,2,,22xixinQxi??????（2）式中12n?为算子的长度，n为正整数，0Qx()和1Qx()分别表示原始时间序列在第一层分解中的低频成分和高频成分。

　　2）为了描述信号的层次分析，当j=0或1时，定义第k层算子kQj的矩阵形式为[19]

　　1.2参数影响研究

　　为了考察不同参数对HMDE性能的影响，对美国凯斯西储大学（CaseWesternReserveUniversity,CWRU）公开的基准数据集[21]进行分析。试验装置由驱动电机、轴承座、转矩传感器和测力计等组成，如图2所示，驱动端轴承为SKF6205，风扇端轴承为SKF6203。试验过程中，采样频率为12kHz，采样长度为4096点，在电机驱动端轴承座上安装一个加速度传感器分别采集1组轴承正常加速度数据和1组轴承外圈故障数据。限于篇幅，表1仅列出了不同参数下轴承正常信号的前2行4列的层次多尺度散布熵。

　　1.3参数优化

　　目前，群智能寻优算法在解决参数优化问题方面卓有成效，包括常见的粒子群优化（ParticleSwarmOptimization,PSO）、蚁群算法（AntColonyAlgorithm,ACO）、蝙蝠算法（BatAlgorithm,BA）等。鸟群优化算法（BirdSwarmAlgorithm,BSA）是Meng等[23]在2016年提出的一种新型仿生寻优算法。与其他寻优算法相比，BSA在参数优化方面具有优化精度高、稳定性强、收敛速度快等优点。为此，综合考虑各参数之间的交互作用，本文采用BSA对HMDE的4个重要参数（即嵌入维数m、类别个数c、分解层数k和尺度因子τ）进行自适应选取。

　　2基于HMDE的轴承智能诊断方法

　　为了获取更丰富、更全面的轴承故障特征信息，同时提高故障诊断精度，本文提出一种基于HMDE的轴承智能故障诊断方法。图3为提出方法的流程图，其具体实现过程表述如下：

　　1）通过在试验设备上安装加速度传感器，获取全寿命周期内的轴承振动数据。

　　2）通过鸟群优化算法自适应确定HMDE的最优参数，并根据最优参数计算不同健康状态下轴承振动数据的HMDE作为多维度特征矩阵。

　　3）将多维度特征矩阵随机划分为训练样本矩阵和测试样本矩阵，采用训练样本矩阵对SMM进行模型训练，并将测试样本矩阵输入到训练好的SMM模型中进行测试和自动输出识别结果。在该步骤中，假设给定的训练数据集为1{,}nXyiii?，其中dd12XRi??为第i个输入矩阵，y??为训练标签，d1和d2分别表示输入矩阵的行数和列数，则SMM可以通过合页损失函数和谱弹性网络惩罚函数来实现模型的训练和分类，如下所示：

　　3试验验证

　　本文通过轴承故障诊断试验来验证所提方法的故障特征提取与智能诊断能力。试验采用2组轴承加速寿命数据集：西安交通大学与昇阳科技的XJTU-SY轴承加速寿命试验数据[24]、东南大学状态监测与故障诊断研究中心的ABLT-1A轴承加速寿命试验数据。

　　3.1设备与方法

　　XJTU-SY轴承加速寿命试验数据源自西安交通大学与浙江长兴昇阳科技有限公司的机械装备健康监测联合实验室。图4所示试验台主要由数字式力显示器、电机转速控制器、交流电机、支撑轴承和液压加载系统等部分组成。在试验过程中，将2个PCB-352C33加速度计分别安装在测试轴承的垂直和水平方向，采用DT9837便携式动态信号采集器对轴承全寿命数据进行了监测与记录。测试轴承型号为UER204，滚动体直径为7.92mm，节圆直径为34.55mm，滚动体数量为8个，接触角为0°。数据采集过程中，电机转速设置2400r/min，轴承承受的径向力10kN，采样频率25.6kHz，采样间隔1min，每次采样时长1.28s。在轴承加速寿命试验结束后，轴承3_1表面出现了外圈故障，而轴承3_4存在内圈故障，如图4所示。因此，本文采用轴承3_1和轴承3_4的全寿命周期数据进行分析。

　　3.2结果与分析

　　首先，采用均方根指标对2组轴承加速寿命试验数据（XJTU-SY和ABLT-1A）进行划分，获取不同轴承状态数据。表4列出了不同轴承状态数据的详细信息，包括每种轴承状态的样本数及其对应的均方根。如表4所示，对于XJTU-SY轴承数据集，将轴承3_1全寿命数据中第525、2350、2475和2538min对应的4组数据作为4种轴承状态（即正常、外圈轻微故障、外圈中度故障、外圈严重故障），同时将轴承3_4全寿命数据中第1417、1445和1479min对应的3组数据作为其他3种轴承状态（即内圈轻度故障、内圈中度故障和内圈严重故障），共7种轴承状态，每种轴承状态具有50个样本，每个样本包含2048个数据点，随机选取每种轴承状态的25个样本作为训练，剩余样本作为测试，即训练集和测试集都包含7×25=175个样本。对于ABLT-1A轴承数据集，将轴承2全寿命数据中第85、280、291和292min对应的4组数据作为4种轴承状态（即正常、滚动体轻微故障、滚动体中度故障、滚动体严重故障），每种轴承状态具有60个样本，随机选取每种轴承状态的30个样本作为训练，剩余样本作为测试，即训练集和测试集都包含4×30=120个样本。值得说明的是，在2组试验中，每种轴承状态的样本均是通过数据分割方法[25]（即采用一个滑移窗）得到的。限于篇幅，图6仅绘制了不同的外圈轴承振动信号的时域波形和包络谱。图7为不同状态下滚动体振动信号的时域波形和包络谱。如图6和图7所示，随着轴承外圈故障或滚动体故障程度的加深，包络谱中轴承外圈故障特征频率fo=123.32Hz或滚动体故障特征频率fb=102.8Hz处的幅值越来越明显，这与实际轴承故障演化规律相符合。

　　4结论

　　1）针对全寿命周期内滚动轴承故障模式与程度难以有效识别的问题，提出了一种基于层次多尺度散布熵的滚动轴承智能诊断方法。该方法采用了BSA算法自适应优化HMDE的重要参数，避免了HMDE在特征提取过程中因人工选取参数而影响诊断效果的问题，同时兼顾了SMM在处理多维特征矩阵方面的优点。

　　2）通过试验分析对本文方法在轴承故障模式与故障程度识别中的有效性进行了验证。试验结果表明：对于第1和第2组试验，本文方法的平均识别精度可分别达到99.66%和99.34%。相比RCMDE、GCMPE、GRCMSE、HFE、HSE、MHMDE和HMPE方法，本文方法在第1组试验中的平均识别精度分别提高了3.89、12.34、6.63、9.15、7.09、0.81和2.63个百分点。本文方法在第2组试验中的平均识别精度分别提高了2.17、3.51、6.17、9.51、11.51、1.17和3.01个百分点。

　　[参考文献]

　　[1]王志坚，常雪，王俊元，等.排列熵优化改进变模态分解算法诊断齿轮箱故障[J].农业工程学报，2018，34(23)：59-66.WangZhijian,ChangXue,WangJunyuan,etal.Gearboxfaultdiagnosisbasedonpermutationentropyoptimizedvariationalmodedecomposition[J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2018,34(23):59-66.(inChinesewithEnglishabstract)

　　[2]施杰，伍星，柳小勤，等.变分模态分解结合深度迁移学习诊断机械故障[J].农业工程学报，2020，36(14)：129-137.ShiJie,WuXing,LiuXiaoqin,etal.Mechanicalfaultdiagnosisbasedonvariationalmodedecompositioncombinedwithdeeptransferlearning[J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2020,36(14):129-137.(inChinesewithEnglishabstract)

　　[3]YanR,LiuY,GaoRX.Permutationentropy:Anonlinearstatisticalmeasureforstatuscharacterizationofrotarymachines[J].MechanicalSystemsandSignalProcessing,2012,29:474-484.

　　鄢小安1，贾民平2

上一篇：基于机器学习算法的冬小麦始花期预报方法 下一篇：基于SPA-VFS耦合模型的河套灌区灌溉用水效率分级