針對(duì)旋轉(zhuǎn)機(jī)械故障識(shí)別率偏低的問題,提出一種基于EEMD與模糊信息熵的旋轉(zhuǎn)機(jī)械故障診斷方法.該方法結(jié)合EEMD分解和模糊信息熵在特征提取方面的優(yōu)勢,構(gòu)造出一種能夠精細(xì)度量不同類別振動(dòng)信號(hào)故障概率復(fù)雜度的特征集合.首先將原振動(dòng)信號(hào)進(jìn)行EEMD分解,獲得若干個(gè)本征模態(tài)函數(shù)(IMFs);計(jì)算出前5個(gè)高頻IMF分量的模糊信息熵組成高維特征集;利用LPP對(duì)高維特征集進(jìn)行維數(shù)約簡剔除冗余不相關(guān)特征;最后將約簡后的樣本集輸入到KNN分類器中進(jìn)行故障識(shí)別.用雙跨轉(zhuǎn)子實(shí)驗(yàn)臺(tái)采集的數(shù)據(jù)對(duì)所述方法進(jìn)行驗(yàn)證,并與EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法進(jìn)行故障識(shí)別率對(duì)比,結(jié)果表明該方法能夠有效提取轉(zhuǎn)子振動(dòng)信號(hào)的故障特征,并且具有更高的故障識(shí)別率. 

【文章來源】：蘭州理工大學(xué)學(xué)報(bào). 2020年03期 北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

基于EEMD與FIE的故障診斷流程圖

對(duì)轉(zhuǎn)子軸系不對(duì)中、質(zhì)量不平衡、動(dòng)靜碰磨、軸承松動(dòng)和正常狀態(tài)下均截取信號(hào)長度1 024點(diǎn)的數(shù)據(jù)為例作為故障振動(dòng)信號(hào)波形,經(jīng)過消噪處理后得到的原始故障振動(dòng)信號(hào)波形圖如圖2所示.按本文方法對(duì)五種狀態(tài)進(jìn)行實(shí)驗(yàn)分析,對(duì)每種狀態(tài)的振動(dòng)信號(hào)進(jìn)行EEMD分解,獲得若干IMF分量.根據(jù)文獻(xiàn)[13]的實(shí)驗(yàn)方法,本實(shí)驗(yàn)將輔助白噪聲標(biāo)準(zhǔn)差設(shè)為原始標(biāo)準(zhǔn)差(Ds)的0.2倍且設(shè)迭代次數(shù)M=100,圖3為動(dòng)靜碰磨故障振動(dòng)信號(hào)EEMD的分解結(jié)果.從圖中可以看出EEMD分解的碰磨故障信號(hào)從高頻到低頻逐次分解出8個(gè)IMF分量和1個(gè)余項(xiàng).由文獻(xiàn)[14]可知IMF分量從高頻到低頻的度量因子依次增大,與原始信號(hào)的相關(guān)程度相應(yīng)降低,因此高頻IMF分量含有豐富的故障信息,本文取前5個(gè)高頻IMF分量作為計(jì)算故障特征的新信號(hào)源.

按本文方法對(duì)五種狀態(tài)進(jìn)行實(shí)驗(yàn)分析,對(duì)每種狀態(tài)的振動(dòng)信號(hào)進(jìn)行EEMD分解,獲得若干IMF分量.根據(jù)文獻(xiàn)[13]的實(shí)驗(yàn)方法,本實(shí)驗(yàn)將輔助白噪聲標(biāo)準(zhǔn)差設(shè)為原始標(biāo)準(zhǔn)差(Ds)的0.2倍且設(shè)迭代次數(shù)M=100,圖3為動(dòng)靜碰磨故障振動(dòng)信號(hào)EEMD的分解結(jié)果.從圖中可以看出EEMD分解的碰磨故障信號(hào)從高頻到低頻逐次分解出8個(gè)IMF分量和1個(gè)余項(xiàng).由文獻(xiàn)[14]可知IMF分量從高頻到低頻的度量因子依次增大,與原始信號(hào)的相關(guān)程度相應(yīng)降低,因此高頻IMF分量含有豐富的故障信息,本文取前5個(gè)高頻IMF分量作為計(jì)算故障特征的新信號(hào)源.按照模糊熵和模糊信息熵計(jì)算步驟求取前5個(gè)IMF分量的熵值.設(shè)定數(shù)據(jù)長度N=5 120,嵌入維數(shù)m=2,相似容限r(nóng)=0.2Ds[15-16],得出的模糊熵和模糊信息熵見表1和表2,限于篇幅在此只列出其中一個(gè)通道轉(zhuǎn)子軸系不對(duì)中、質(zhì)量不平衡、動(dòng)靜碰磨、軸承松動(dòng)和正常5種狀態(tài)分別進(jìn)行EEMD分解后 IMF分量的特征熵值情況.

【參考文獻(xiàn)】：
期刊論文
[1]基于EEMD的多尺度模糊熵的齒輪故障診斷[J]. 楊望燦,張培林,王懷光,陳彥龍,孫也尊.  振動(dòng)與沖擊. 2015(14)
[2]基于EEMD形態(tài)譜和KFCM聚類集成的滾動(dòng)軸承故障診斷方法研究[J]. 鄭直,姜萬錄,胡浩松,朱勇,李揚(yáng).  振動(dòng)工程學(xué)報(bào). 2015(02)
[3]信息熵與經(jīng)驗(yàn)?zāi)B(tài)分解集成的轉(zhuǎn)子故障信號(hào)量化特征提取[J]. 趙榮珍,楊文瑛,馬再超,楊娟.  蘭州理工大學(xué)學(xué)報(bào). 2013(01)
[4]基于EEMD、度量因子和快速峭度圖的滾動(dòng)軸承故障診斷方法[J]. 彭暢,柏林,謝小亮.  振動(dòng)與沖擊. 2012(20)
[5]基于粗糙集數(shù)據(jù)分類概念的故障知識(shí)發(fā)現(xiàn)[J]. 趙榮珍,鄧林峰.  振動(dòng).測試與診斷. 2012(01)
[6]航空發(fā)動(dòng)機(jī)整機(jī)振動(dòng)故障模糊信息熵診斷方法[J]. 艾延廷,費(fèi)成巍,王志.  推進(jìn)技術(shù). 2011(03)



本文編號(hào)：2943099