《eemd-pe与m-rvm相结合的轴承故障诊断方法》由会员分享，可在线阅读，更多相关《eemd-pe与m-rvm相结合的轴承故障诊断方法（13页珍藏版）》请在金锄头文库上搜索。
1、EEMD-PE 与 M-RVM 相结合的轴承故障诊断方法 刘晓东 刘朦月 陈寅生 朱文炜 哈尔滨工业大学电气工程及自动化学院 摘 要： 滚动轴承振动信号中包含了大量轴承运行状态信息, 但是由于振动信号具有非线性和非平稳性的特点, 难以充分提取振动信号中的故障特征, 导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率, 提出了一种基于集合经验模态分解-排列熵 (EEMD-PE) 特征提取与多分类相关向量机 (M-RVM) 相结合的轴承故障诊断方法.首先, 该方法利用EEMD 对非线性和非平稳信号的自适应分解能力, 将轴承故障信号分解为一组包含故障特征的本
2、征模态函数 (IMFs) .然后, 利用排列熵提取由 EEMD 分解得到的 IMFs 中的故障特征, 并组成特征向量.最后, 采用 EEMD-PE 对不同故障状态下的训练样本集进行特征提取, 组成特征向量集对 M-RVM 分类器进行建模, 以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE 特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取, M-RVM 能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较, 所提出的方法能够提高故障识别准确率, 达到 99.58%.关键词： 滚动轴承; 故障诊断; EEMD; PE; M-RVM; 作者简介
3、：刘晓东 (1967) , 男, 副教授, 收稿日期：2016-04-14Rolling bearing fault diagnosis based on EEMD-PE coupled with M-RVMLIU Xiaodong LIU Mengyue CHEN Yinsheng ZHU Wenwei School of Electrical Engineering and Automation, Harbin Institute of Technology; Abstract： Vibration signals of faulty rolling bearing contain a l
4、arge amount of information about the bearing operating status. However, it is difficult to extract the fault features completely because of its characteristics of nonlinearity and non-stationarity, which leads to a problem of relatively low fault identification rate of current fault diagnosis method
5、s based on pattern recognition. In order to improve the accuracy of rolling bearing fault diagnosis, this paper proposes a fault diagnosis method of rolling bearing, which adopts ensemble empirical mode decomposition and permutation entropy ( EEMD-PE) to extract the fault features coupled with multi
6、class relevance vector machine ( M-RVM) to achieve the goal of fault classification. Firstly, the vibration signal of faulty rolling bearing decomposes into a series of intrinsic mode functions ( IMFs) by using the adaptive decomposition ability of nonlinear and non-stationary signals. Afterwards, t
7、he fault features contained in IMFs are extracted by permutation entropy, and the features constitute the feauture vector. Finally, EEMD-PE method is used to extract the fault feaures of training sample set under different fault conditions. The M-RVM classifier is trained by using feature vector set
8、, and the multiple fault identification is implemented in the form of probability output. The experimental results show that EEMD-PE feature extraction method can effectively extract fault features of rolling bearing vibration signal, M-RVM can identify the fault feature contained in rolling bearing
9、 vibration signals. Compared with the existing bearing fault diagnosis methods, this method can improve the fault identification rate reaching up to 99.58%.Keyword： rolling bearing; fault diagnosis; EEMD; PE; M-RVM; Received： 2016-04-14滚动轴承故障诊断方法一直是国内外研究的热点.滚动轴承运行过程中的振动信号往往包含着重要的运行状态信息1-3.因此, 目前应用最为
10、普遍的轴承故障诊断方法是通过提取轴承振动信号中的故障特征后, 利用模式识别方法实现故障识别2.然而, 滚动轴承振动信号具有非线性与非平稳性的特点, 并且在传输过程中容易受到背景噪声以及其他运动部件的影响, 导致从原始振动信号中提取出故障特征变得十分困难3,22-23, 进而严重影响故障识别的准确率.传统的时-频分析方法在轴承故障诊断中有较多的应用也取得了相应的成果, 如短时傅里叶变换4、小波变换2等.但以上方法都存在着对轴承振动信号分解缺乏自适应能力的缺陷.对于复杂的故障振动信号, 仅仅依靠人的主观参数设置来进行分解, 可能会造成故障特征信息的遗漏, 严重影响故障诊断的性能5.经验模态分解 (
11、empirical mode decomposition, EMD) 6是最具代表性的自适应时频分析方法之一, 并且已经在传感器信号处理、机械故障诊断等很多领域得到了应用7-8.然而, 由于 EMD 存在模态混淆现象, 会在一定程度上影响信号分解的效果, 导致分解结果不稳定9, 进而影响后续特征提取的结果.因此, 本文利用文献10提出的集合经验模态分解 (ensemble EMD, EEMD) 的方法, 利用噪声辅助分析方法抑制模态混叠现象, 改善 EMD 的信号分解能力.针对于轴承振动信号包含信息丰富、成分复杂的特点, 利用 EEMD 自适应地将轴承振动信号分解为一系列本征模态函数 (int
12、rinsic mode functions, IMFs) , 减少不同故障信号特征信息之间的干涉或耦合, 有利于突出轴承运行状态更深层次的信息11.排列熵 (permutation entropy, PE) 作为一种衡量一维时间序列复杂度的平均熵参数, 不仅能够度量一个非线性信号的不确定性, 而且具有计算简单, 抗噪声能力强等优点12, 选择排列熵对 IMFs 中包含的故障特征进行提取, EEMD分解后得到的每个 IMF 分量包含了振动信号在不同时间尺度下的特征.通过计算各个 IMF 分量的排列熵值并组成特征向量, 能够有效突出在多尺度下的轴承故障特征.在对不同故障情况下的特征向量进行有效提取
13、后, 需要利用高性能的多分类器对故障模式进行识别.相关向量机 (relevance vector machine, RVM) 和支持向量机 (support vector machines, SVM) 是机械故障诊断中常用的分类器.RVM 是由 Micnacl E.Tipping13提出的一种与 SVM 类似的稀疏概率模型, 是一种基于贝叶斯网络的新的监督学习方法.多分类相关向量机 (multiclass relevance vector machine, M-RVM) 14是RVM 算法针对多分类应用场合下的理论扩展, 该方法继承了 RVM 算法模型稀疏度高、小样本学习能力强及分类速度快的优
14、点, 通过不同类别的概率输出直接实现多分类, 有效降低了基于 RVM 分类器进行多分类时结构的复杂性.本文针对目前基于模式识别的轴承故障诊断方法存在的问题, 提出了一种基于EEMD-排列熵特征提取与 M-RVM 分类器相结合的轴承故障诊断方法.首先利用EEMD 将滚动轴承振动信号自适应地分解为一系列 IMFs, 采用排列熵提取各个IMF 的特征值, 组成特征向量.为了突出主要的故障特征, 通过计算包含主要故障信息的前几个 IMFs 分量的排列熵值来组成特征向量.利用不同故障下训练样本的特征向量对 M-RVM 分类器进行建模, 最后以概率输出的形式实现对故障轴承振动信号的多故障识别, 实现滚动轴
15、承的故障诊断.1 轴承振动信号特征提取1.1 基于 EEMD 的轴承振动信号分解振动是滚动轴承运行过程中的重要特征, 振动信号能够体现滚动轴承运行过程中的状态信息.通过对滚动轴承振动信号进行分解, 提取轴承运行状态中的故障特征, 为轴承故障诊断提供信息.由于故障轴承的振动信号在某一频率上包含故障信息, 采用时-频分析法对轴承振动信号进行分解.传统的 EMD 分解存在着模态混叠问题, 会导致分解出的本征模态函数的物理意义不明确, 影响后续的特征提取效果.针对以上问题, 文献10提出了 EEMD 算法, 该方法通过在原始信号上叠加一定幅值的高斯白噪声, 利用其统计特性解决 EMD 算法的模态混叠问
16、题, 使得 EEMD 分解得到的本征模态函数更加稳定.因此, 本文采用 EEMD 对轴承振动信号进行自适应分解以突出故障在各个频带上的特征.基于 EEMD 算法的滚动轴承振动信号分解过程的具体步骤如下:1) 指定 EEMD 算法的总体平均次数 M 以及高斯白噪声的幅值 a.2) 在原始的振动信号 x (t) 上叠加幅值为 a 的随机高斯分布的白噪声 ni (t) , 获得一个新的信号, 即其中 i=1, 2, , M, ni (t) 为第 i 次加入的白噪声序列, x i (t) 为第 i 次叠加白噪声后得到的新信号.3) 对由步骤 2 获得的新信号 xi (t) 进行 EMD 分解, 得到一组本征模态函数IMFs 以及一个残余分量, 即其中 S 为分解出的 IMF 分量的总数, r i (t) 为残余分量, (C i, 1 (t) , Ci, 2 (t) , , Ci, S (t) ) 为包含着从高频到低频的的本征模态函数.4) 根据步骤
