CN115753107A - 基于非线性量子信息熵的微弱滚动轴承故障诊断方法 - Google Patents
基于非线性量子信息熵的微弱滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN115753107A CN115753107A CN202211547645.8A CN202211547645A CN115753107A CN 115753107 A CN115753107 A CN 115753107A CN 202211547645 A CN202211547645 A CN 202211547645A CN 115753107 A CN115753107 A CN 115753107A
- Authority
- CN
- China
- Prior art keywords
- fault
- information entropy
- rolling bearing
- nonlinear
- weak
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
基于非线性量子信息熵的微弱滚动轴承故障诊断方法,本发明涉及滚动轴承故障诊断技术中,故障特征提取过程中背景噪声强、故障特征微弱所导致故障监测与诊断效果较差的问题。滚动轴承故障诊断技术通过人工观察振动信号谱线图的变化来捕捉信号的异常。然而,滚动轴承的结构复杂,信号传递路径长,背景噪声强,故障信号微弱,导致故障诊断非常困难。为改善这一问题,本发明提出了一种基于非线性量子信息熵的微弱滚动轴承故障诊断方法。实验表明,该方法能有效地提取滚动轴承早期微弱故障信号特征,降低背景噪声对故障诊断结果的影响。本发明应用于微弱滚动轴承故障诊断。
Description
技术领域
本发明设计基于非线性量子信息熵的微弱滚动轴承故障诊断方法
背景技术
航空发动机是航空航天工业中技术工艺最复杂、技术难度最高以及造价最昂贵的关键部件,是装备制造业的顶尖产品,代表了一个国家的科技水平和综合国力。滚动轴承作为航空发动机等大型装备的核心部件,长期连续高速运转,极易发生故障损伤,从而导致整个装备出现安全隐患,因此实时监测滚动轴承的运行状态以及准确的出厂测试,对确保重大装备的安全稳定运行具有重要意义。传统的故障诊断方式是通过工人观察振动信号谱线图的变化,根据知识与经验捕捉信号的异常,实现故障诊断。这种方式不仅耗费大量人力和物力,并且对于微弱滚动轴承故障单靠人工的识别模式很难保证其准确性,一旦潜在的故障问题没有被及时发现,将会造成不可想象的后果。利用人工智能的算法进行故障识别能有效解决这一问题,提高故障识别的速度与准确度,实现故障诊断的自动化。
然而滚动轴承的振动信号十分复杂,由于故障发生时所伴随的冲击、摩擦等因素的作用,常常存在调制现象,而且是时变的。时变调幅信号就是一种常见的故障特征信号,如果能有效地提取出调制参数,就可以实现轴承故障的早期检测。但是由于这种调制信号是时变的,且故障早期产生的调制源一般比较微弱,常常被其它的干扰信号或环境噪声淹没,因此常用的高阶谱方法和解调技术存在局限性,难以提取出表征故障的调制参数信息。特别是航空发动机滚动轴承的结构非常复杂,信号传递路径长,背景噪声十分丰富,所以故障信号十分微弱,故障诊断非常困难。
本文提出一种基于非线性量子信息熵的微弱滚动轴承故障诊断方法,以有效解决这一问题。针对滚动轴承故障信号的非平稳和非线性的特点,建立滚动轴承振动信号的时域量子化表示方法,利用Hadamard变换对振动信号进行降噪处理,对振动信号局部极值进行凸显,增强微弱故障信号的故障特征,对故障信号进行滤波和降噪。针对滚动轴承微弱故障信号特点,基于振动信号的时域量子化表达方法,结合shannon信息熵理论,采用非线性量子信息熵算法。计算振动信号的非线性量子信息熵,并将其作为轴承振动信号的微弱特征,来实现微弱滚动轴承的故障诊断。
发明内容
本发明的目的是为了解决滚动轴承早期故障信号微弱淹没在强背景噪声中的问题,而提出的一种基于非线性量子信息熵的微弱滚动轴承故障诊断方法。
上述发明目的主要是通过以下技术方案实现的:
S1、利用Hadamard变换将振动信号量子化;
利用Hadamard变换将振动信号量子化的具体方法如下:假设采集的振动信号为X={x(k),k=1,2,...,N},对其进行归一化处理得到Y={y(k),k=1,2,...,N}公式如下:
对于凸显正向故障脉冲信号:
对于凸显负向故障脉冲信号:
经过Hadamard变换的振动信号非线性量子化表达为:
|x(k)>=cos(y(k)×π/2)|0>+sin(y(k)×π/2)|1> (3)
式中:|0>和|1>为量子比特的基态,cos(y(k)×π/2)|0>和sin(y(k)×π/2)|1>为基态|0>和|1>的概率幅值。
S2、对量子化后的振动信号进行降噪处理;
降噪处理方法如下:首先,根据式4、5计算每个采样点的Hadamard量子概率:
式中:m和n为基态|0>和|1>的概率幅值;
为定量描述Hadamard变换下的信号采样点,采用衡量算子MO,MO计算公式如下:
mo(k)=sin[y(k-1)×π/2]×sin[y(k)×π/2]×sin[y(k+1)×π/2] (6)
式中:mo(k)表示衡量算子MO对采样点y(k)的计算结果;
再用中值滤波器结合衡量算子确定阈值T(k):
T(k)=med(mo(y(k-3)),...,mo(y(k)),...,mo(y(k+3))) (7)
对于式1归一化处理后的凸显正向故障脉冲信号,若mo(k)>T(k)则采样点判定为正向故障脉冲信息,若mo(k)≤T(k)则采样点判定为非正向脉冲信息,根据式8对故障信息进行降噪处理得到c(k);
对于式2归一化处理后的凸显负向故障脉冲信号,若mo(k)>T(k)则采样点判定为负向故障脉冲信息,若mo(k)≤T(k)则采样点判定为非负向脉冲信息,根据式9对故障信息进行降噪处理得到d(k);
最后,对降噪处理后的故障信号进行合成得到信号e(k),合成公式如下:
S3、结合量子理论和shannon信息熵理论,采用非线性量子信息熵算法;
非线性量子信息熵算法基本原理如下:非线性量子信息熵算法是结合信息熵和量子理论的特征提取新方法,首先对归一化信号进行相空间重构得到重构矩阵,再对重构矩阵中每一个重构分量进行非线性量子化,计算各态矢概率,最后计算得到非线性量子信息熵;
非线性量子信息熵计算公式为:
式中:pk为各态矢出现的概率。
S4、计算振动信号的非线性量子信息熵,并将其作为轴承振动信号的微弱特征,来实现微弱滚动轴承的故障诊断。
计算振动信号的非线性量子信息熵,并将其作为轴承振动信号的微弱特征,来实现微弱滚动轴承的故障诊断,具体方法就是计算每个振动信号样本的非线性量子信息熵,并利用其非线性量子信息熵作为轴承振动信号的微弱特征,来分辨不同的振动时间序列,以此来实现微弱滚动轴承故障的诊断。
发明效果
本发明提供了一种基于非线性量子信息熵的微弱滚动轴承故障诊断方法。本算法首先将量子理论的物理数学方法应用于信号分析,利用Hadamard变换将振动信号量子化。再对量子化后的振动信号进行降噪处理,实现对振动信号局部极值凸显,可以增强微弱故障信号的故障特征,对故障信号进行滤波和降噪,进而提升信号的信噪比。然后基于振动信号的时域量子化表达方法,结合shannon信息熵理论,采用非线性量子信息熵算法。最后利用非线性量子信息熵来提取中介轴承故障信号的微弱特征。实验表明,该方法能有效地提取滚动轴承早期微弱故障信号特征,降低背景噪声对故障诊断结果的影响,取得优于传统方法的降噪效果,实现对滚动轴承早期微弱故障的准确识别。
附图说明
图1微弱滚动轴承故障诊断流程图;
图2非线性量子信息熵实现过程图;
具体实施方法
具体实施方式一:
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示本文提供的基于非线性量子信息熵的微弱滚动轴承故障诊断方法,包含信号降噪和故障诊断:
所述信号降噪包含步骤:
S1、利用Hadamard变换将振动信号量子化;
S2、对量子化后的振动信号进行降噪处理;
所述故障诊断包含步骤:
S3、结合量子理论和shannon信息熵理论,采用非线性量子信息熵算法;
S4、计算振动信号的非线性量子信息熵,并将其作为轴承振动信号的微弱特征,来实现微弱滚动轴承的故障诊断。
本发明实施例利用Hadamard变换将振动信号量子化,实现对振动信号局部极值凸显。再对故障信号进行滤波和降噪。然后基于振动信号的时域量子化表达方法,结合shannon信息熵理论,采用非线性量子信息熵算法。最后利用非线性量子信息熵来提取中介轴承故障信号的微弱特征,从而实现微弱滚动轴承的故障诊断。
下面对本发明实施例进行详细的说明:
本发明实施例具体实现如下。
如图1所示信号降噪包含步骤:
S1、利用Hadamard变换将振动信号量子化;
利用Hadamard变换将振动信号量子化的具体方法如下:假设采集的振动信号为X={x(k),k=1,2,...,N},对其进行归一化处理得到Y={y(k),k=1,2,...,N}公式如下:
对于凸显正向故障脉冲信号:
对于凸显负向故障脉冲信号:
经过Hadamard变换的振动信号非线性量子化表达为:
|x(k)>=cos(y(k)×π/2)|0>+sin(y(k)×π/2)|1> (3)
式中:|0>和|1>为量子比特的基态,cos(y(k)×π/2)|0>和sin(y(k)×π/2)|1>为基态|0>和|1>的概率幅值。
S2、对量子化后的振动信号进行降噪处理;
降噪处理方法如下:首先,根据式4、5计算每个采样点的Hadamard量子概率:
式中:m和n为基态|0>和|1>的概率幅值;
为定量描述Hadamard变换下的信号采样点,采用衡量算子MO,MO计算公式如下:
mo(k)=sin[y(k-1)×π/2]×sin[y(k)×π/2]×sin[y(k+1)×π/2] (6)
式中:mo(k)表示衡量算子MO对采样点y(k)的计算结果;
再用中值滤波器结合衡量算子确定阈值T(k):
T(k)=med(mo(y(k-3)),...,mo(y(k)),...,mo(y(k+3))) (7)
对于式1归一化处理后的凸显正向故障脉冲信号,若mo(k)>T(k)则采样点判定为正向故障脉冲信息,若mo(k)≤T(k)则采样点判定为非正向脉冲信息,根据式8对故障信息进行降噪处理得到c(k);
对于式2归一化处理后的凸显负向故障脉冲信号,若mo(k)>T(k)则采样点判定为负向故障脉冲信息,若mo(k)≤T(k)则采样点判定为非负向脉冲信息,根据式9对故障信息进行降噪处理得到d(k);
最后,对降噪处理后的故障信号进行合成得到信号e(k),合成公式如下:
故障诊断包含步骤:
S3、结合量子理论和shannon信息熵理论,采用非线性量子信息熵算法;
非线性量子信息熵算法基本原理如下:非线性量子信息熵算法是结合信息熵和量子理论的故障诊断新方法,首先对归一化信号进行相空间重构得到重构矩阵,再对重构矩阵中每一个重构分量进行非线性量子化,计算各态矢概率,最后计算得到非线性量子信息熵,具体过程如图2;
非线性量子信息熵计算公式为:
式中:pk为各态矢出现的概率。
S4、计算振动信号的非线性量子信息熵,并将其作为轴承振动信号的微弱特征,来实现微弱滚动轴承的故障诊断。
计算振动信号的非线性量子信息熵,并将其作为轴承振动信号的微弱特征,来实现微弱滚动轴承的故障诊断,具体方法就是计算每个振动信号样本的非线性量子信息熵,并利用其非线性量子信息熵作为轴承振动信号的微弱特征,来分辨不同的振动时间序列,以此来实现微弱滚动轴承故障的诊断。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明做出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明范围。
Claims (4)
1.基于非线性量子信息熵的微弱滚动轴承故障诊断方法,其特征在于,包含信号降噪和故障诊断:
所述信号降噪包含步骤:
S1、利用Hadamard变换将振动信号量子化;
S2、对量子化后的振动信号进行降噪处理;
所述故障诊断包含步骤:
S3、结合量子理论和shannon信息熵理论,采用非线性量子信息熵算法;
S4、计算振动信号的非线性量子信息熵,并将其作为轴承振动信号的微弱特征,来实现微弱滚动轴承的故障诊断。
2.如权利要求1所述的,基于非线性量子信息熵的微弱滚动轴承故障诊断方法,其特征在于,步骤S1中所述的利用Hadamard变换将振动信号量子化,具体方法如下:
假设采集的振动信号为X=xk,k=1,2,...,N,对其进行归一化处理得到Y=yk,k=1,2,...,N公式如下:
对于凸显正向故障脉冲信号:
对于凸显负向故障脉冲信号:
经过Hadamard变换的振动信号非线性量子化表达为:
|x(k)>=cos(y(k)×π/2)|0>+sin(y(k)×π/2)|1> (3)
式中:|0>和|1>为量子比特的基态,cos(y(k)×π/2)|0>和sin(y(k)×π/2)|1>为基态|0>和|1>的概率幅值。
3.如权利要求1所述的,基于非线性量子信息熵的微弱滚动轴承故障诊断方法,其特征在于,步骤S2中所述的对量子化后的振动信号进行降噪处理,方法如下:
首先,根据式4、5计算每个采样点的Hadamard量子概率:
式中:m和n为基态|0>和|1>的概率幅值;
为定量描述Hadamard变换下的信号采样点,采用衡量算子MO,MO计算公式如下:
mo(k)=sin[y(k-1)×π/2]×sin[y(k)×π/2]×sin[y(k+1)×π/2] (6)
式中:mo(k)表示衡量算子MO对采样点y(k)的计算结果;
再用中值滤波器结合衡量算子确定阈值T(k):
T(k)=med(mo(y(k-3)),...,mo(y(k)),...,mo(y(k+3))) (7)
对于式1归一化处理后的凸显正向故障脉冲信号,若mo(k)>T(k)则采样点判定为正向故障脉冲信息,若mo(k)≤T(k)则采样点判定为非正向脉冲信息,根据式8对故障信息进行降噪处理得到c(k);
对于式2归一化处理后的凸显负向故障脉冲信号,若mo(k)>T(k)则采样点判定为负向故障脉冲信息,若mo(k)≤T(k)则采样点判定为非负向脉冲信息,根据式9对故障信息进行降噪处理得到d(k);
最后,对降噪处理后的故障信号进行合成得到信号e(k),合成公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211547645.8A CN115753107A (zh) | 2022-12-05 | 2022-12-05 | 基于非线性量子信息熵的微弱滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211547645.8A CN115753107A (zh) | 2022-12-05 | 2022-12-05 | 基于非线性量子信息熵的微弱滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115753107A true CN115753107A (zh) | 2023-03-07 |
Family
ID=85343227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211547645.8A Pending CN115753107A (zh) | 2022-12-05 | 2022-12-05 | 基于非线性量子信息熵的微弱滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115753107A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116399589A (zh) * | 2023-03-29 | 2023-07-07 | 哈尔滨理工大学 | 基于rcmwe的滚动轴承微弱信号特征提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861705A (zh) * | 2021-02-04 | 2021-05-28 | 东北林业大学 | 一种基于混合学习的跨域行人重识别方法 |
CN115272196A (zh) * | 2022-07-11 | 2022-11-01 | 东北林业大学 | 组织病理图像中病灶区域预测方法 |
-
2022
- 2022-12-05 CN CN202211547645.8A patent/CN115753107A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861705A (zh) * | 2021-02-04 | 2021-05-28 | 东北林业大学 | 一种基于混合学习的跨域行人重识别方法 |
CN115272196A (zh) * | 2022-07-11 | 2022-11-01 | 东北林业大学 | 组织病理图像中病灶区域预测方法 |
Non-Patent Citations (3)
Title |
---|
刘丽丽: "基于多尺度量子熵的中介轴承声发射信号故障特征提取技术研究", 沈阳航空航天大学学报, no. 02, pages 1 - 9 * |
王怀光: "基于量子Hadamard变换的滚动轴承振动信号分析方法", 振动与冲击, no. 02, pages 117 - 122 * |
陈彦龙: "采用非线性量子比特的形态滤波及其应用", 机械工程学报, pages 127 - 133 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116399589A (zh) * | 2023-03-29 | 2023-07-07 | 哈尔滨理工大学 | 基于rcmwe的滚动轴承微弱信号特征提取方法 |
CN116399589B (zh) * | 2023-03-29 | 2024-01-12 | 哈尔滨理工大学 | 基于rcmwe的滚动轴承微弱信号特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | A compound fault diagnosis method of rolling bearing based on wavelet scattering transform and improved soft threshold denoising algorithm | |
Yongbo et al. | Review of local mean decomposition and its application in fault diagnosis of rotating machinery | |
Tu et al. | Generalized horizontal synchrosqueezing transform: Algorithm and applications | |
He et al. | A joint adaptive wavelet filter and morphological signal processing method for weak mechanical impulse extraction | |
CN107831012B (zh) | 一种基于Walsh变换与Teager能量算子的轴承故障诊断方法 | |
CN112098088B (zh) | 一种基于kica-分形理论的滚动轴承故障诊断方法 | |
Liao et al. | An automatic filtering method based on an improved genetic algorithm—with application to rolling bearing fault signal extraction | |
CN113420691A (zh) | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 | |
Guo et al. | An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression | |
CN115753107A (zh) | 基于非线性量子信息熵的微弱滚动轴承故障诊断方法 | |
Tang et al. | A robust deep learning network for low-speed machinery fault diagnosis based on multikernel and RPCA | |
CN112182490B (zh) | 一种电抗器状态诊断方法及系统 | |
Zheng et al. | Faults diagnosis of rolling bearings based on shift invariant K-singular value decomposition with sensitive atom nonlocal means enhancement | |
Ramasso et al. | Clustering acoustic emission data streams with sequentially appearing clusters using mixture models | |
Chen et al. | Denoising algorithm for mechanical vibration signal using quantum Hadamard transformation | |
Ambika et al. | Vibration signal based condition monitoring of mechanical equipment with scattering transform | |
CN114486263A (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
CN117592543A (zh) | 一种基于自监督学习的航空发动机滚动轴承故障诊断方法 | |
CN116380464A (zh) | 一种基于稀疏成分分析的轴承耦合故障解耦方法 | |
CN112036270B (zh) | 一种滚动轴承早期损伤状态的振动监测方法 | |
Zhang et al. | Leakage detection based on CEEMDAN analysis for hydraulic cylinder using acoustic emission technique | |
CN112329626A (zh) | 调制与深度学习融合的设备故障诊断方法、系统及介质 | |
CN114705427A (zh) | 一种强噪声环境下的滚动轴承智能故障诊断方法 | |
Qiu et al. | A weak fault diagnosis method based on sparsity overlapping group lasso for rolling bearing | |
Shang et al. | Denoising Fused Wavelets Net for Aeroengine Bevel Gear Fault Diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |