CN116399589B - 基于rcmwe的滚动轴承微弱信号特征提取方法 - Google Patents

基于rcmwe的滚动轴承微弱信号特征提取方法 Download PDF

Info

Publication number
CN116399589B
CN116399589B CN202310321869.5A CN202310321869A CN116399589B CN 116399589 B CN116399589 B CN 116399589B CN 202310321869 A CN202310321869 A CN 202310321869A CN 116399589 B CN116399589 B CN 116399589B
Authority
CN
China
Prior art keywords
feature
entropy
scale
fault
parameters
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.)
Active
Application number
CN202310321869.5A
Other languages
English (en)
Other versions
CN116399589A (zh
Inventor
王亚萍
侯德康
许迪
王金宝
葛江华
徐尊山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202310321869.5A priority Critical patent/CN116399589B/zh
Publication of CN116399589A publication Critical patent/CN116399589A/zh
Application granted granted Critical
Publication of CN116399589B publication Critical patent/CN116399589B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于RCMWE的滚动轴承微弱信号特征提取方法，其所述方法包括如下步骤：步骤一、将时域特征参数和频域特征参数构成多维原始故障特征集，采用皮尔逊相关系数PS、拉普拉斯得分LS、互信息MI及费舍尔得分FS四类特征评价准则对特征敏感性进行评价，根据特征评价准则筛选出最优敏感特征参数；步骤二、将敏感特征参数作为精细复合多尺度加权熵的权重参数，通过哈达玛积运算进行加权组合，获得精细复合多尺度加权熵。通过实验验证表明，本发明的精细复合多尺度加权熵方法在所有尺度上都具有正确估计信号复杂度的能力，能够产生增强的特征向量，既可以有效地区分正常与异常状态，又能够较好的区分不同故障类型及故障退化程度。

Description

基于RCMWE的滚动轴承微弱信号特征提取方法
技术领域
本发明属于旋转机械故障诊断领域，涉及一种滚动轴承健康监测方法，具体涉及一种基于精细复合多尺度加权熵(Refined Composite Multiscale Weighted Entropy，RCMWE)的滚动轴承微弱信号特征提取方法。
背景技术
滚动轴承在旋转机械上的应用越来越广泛，一旦轴承出现故障，就有可能造成灾难性的后果。而造成轴承故障的原因是多样，如润滑不足、轴不平衡、冲击载荷等，因此必须在其整个运行过程中监测轴承健康状况。近几十年来，振动信号分析技术已被研究人员广泛用于滚动轴承的状态监测。现有对滚动轴承健康监测的方法主要是采用时频域统计指标来判定异常状态。均方根值通常用于检测轴承点蚀和擦伤等故障，均方根值具有其单调性的趋势通常用于对轴承严重故障的判定，针对早期故障它无法准确响应。而峭度对早期故障的发展更为敏感，尤其是在故障发展的初始阶段。为了捕捉故障从出现到成熟状态的信号特征，不同统计特征组合的方式能够提供更可靠的结果。Laissaoui等人利用均方根值和峭度的组合已成为跟踪轴承退化演变的强大统计工具。Sassi等人基于均方根、峭度、峰值因子和峰值之间的经验关系提出了新的指标在轴承故障检测方面表现优异。当运行中的机械设备出现故障时，它的动力学特性会表现为非线性的，振动信号会被噪声等其他因素干扰，从而会呈现出非平稳性。
随着非线性动力学理论研究的不断深入，很多非线性动力学方法不断地被引入故障特征提取当中，如关联维数、Lyapunov指数、分形维数等。熵分析方法是一种应用十分广泛的非线性动力学理论。Pincus提出了近似熵(Approximate Entropy，AE)的方法用来解决有限时间序列长短度的熵计算问题。随后近似熵方法在机械健康状态监测中得已应用。Richman等人针对AE的自相似性缺点，提出了样本熵(Sample Entropy，SE)方法。然而，AE和SE存在高度依赖内在参数和无法捕捉长期相关性两个主要缺点。随着模糊熵(FuzzyEntropy，FE)、置换熵(Permutation Entropy，PE)和离散熵(Dispersion Entropy，DE)方法的相继发展使得前者的缺点得到了有效解决。为了跟踪时间序列中的长期相关性，Costa等人提出了多尺度样本熵，可以在多个时间尺度上测量样本。采用多尺度方法提取轴承故障特征向量得以应用。随之多尺度模糊熵、多尺度置换熵和多尺度离散熵方法应运而生，多尺度方法虽然缩短了更高尺度下的时间序列，但导致在多尺度因子下的熵值波动更大。为了细化粗粒度时间序列，基于精细复合多尺度样本熵(Refined Composite MultiscaleSample Entropy，RCMSE)、精细复合多尺度模糊熵(Refined Composite Multiscale FuzzyEntropy，RCMFE)和精细复合多尺度置换熵(Refined Composite Multiscale PermutationEntropy，RCMPE)、精细复合多尺度离散熵(Refined Composite Multiscale DispersionEntropy，RCMDE)等方法相继提出，相对于传统方法更具有优势。
由于背景噪声的干扰，滚动轴承的振动信号一般符合正态分布，一旦滚动轴承发生故障，其随机性和动态复杂性都将相应地发生改变，因为机械系统十分复杂，其滚动轴承故障信号中所包含的特征信息通常分布于不同尺度。张龙等人构建了多尺度熵均偏值指标可以较早地发现轴承的早期故障，并追踪故障发展趋势。Zheng等人提出了复合多尺度加权排列熵方法，通过增加加权因子，利用复合粗粒化优化粗增益时间序列的过程，在同一尺度因子下考虑多个时间序列信息，保留了更多的有用信息，该方法能有效地诊断出故障的位置和程度。LI等人提出了一种基于加权多维特征融合的特征选择与融合方法。该方法能准确识别轴承不同类型和程度的故障，具有较好的实用性。Ying等人提出了一种新的非线性动态方法复合多元多尺度排列熵，优化了多元多尺度排列熵中粗粒度不足的过程，避免了信息的丢失，有效地识别故障类别。Minhas等人提出了一种加权多尺度熵方法，选择了两个统计参数，精细复合多尺度均方根和峭度作为加权参数，这些参数的目的是适当地偏移熵的输出值，而不实际影响任何熵方法的固有特性。但人为的加权方式会导致熵值在多尺度上表现不稳定，不能准确对轴承不同故障状态及退化程度进行分析。
综上所述，熵值方法大都集中在研究熵方法自身的改进，而现有的针对轴承异常值判定的方法大都采用时域指标均方根或者峭度，虽然也能取得一定的效果，但现有的多尺度熵的方法不能保证在每个尺度上的稳定性，且随着故障类型和故障损伤程度的增加，多种故障在不同尺度上容易发生混叠现象。为克服上述缺点，应引入不同特征评价方法挑选敏感特征参数，用来评估不同时间尺度下轴承复杂信号的不规则性，测量信号的复杂性和动态变化。因此应开发一种由关键敏感特征加权参数组成的精细复合多尺度加权熵特征提取方法至关重要。
发明内容
针对滚动轴承早期故障信号微弱且易受到多种干扰因素的影响，导致故障特征难以提取的问题，本发明提供了一种基于RCMWE的滚动轴承微弱信号特征提取方法。
本发明的目的是通过以下技术方案实现的：
一种基于RCMWE的滚动轴承微弱信号特征提取方法，包括如下步骤：
步骤一、将时域特征参数和频域特征参数构成多维原始故障特征集，采用皮尔逊相关系数PS、拉普拉斯得分LS、互信息MI及费舍尔得分FS四类特征评价准则对特征敏感性进行评价，根据特征评价准则筛选出最优敏感特征参数，其中：所述时域特征参数包括方差、标准差、均方根、偏度、峭度、波性指标、脉冲指标、峰值指标、裕度指标和峭度指标，频域特征参数包括均值频率、重心频率、均方根频率、标准差频率和峭度频率；
步骤二、将步骤一筛选出的敏感特征参数作为精细复合多尺度加权熵的权重参数，通过哈达玛积运算进行加权组合，获得精细复合多尺度加权熵。
相比于现有技术，本发明具有如下优点：
通过实验验证表明，本发明的精细复合多尺度加权熵方法在所有尺度上都具有正确估计信号复杂度的能力，能够产生增强的特征向量，既可以有效地区分正常与异常状态，又能够较好的区分不同故障类型及故障退化程度。
附图说明
图1为凯斯西储大学轴承实验平台；
图2为ωRCMWE特征构建过程；
图3为αRCMSE轴承不同损伤程度下25个尺度因子多尺度熵值；
图4为αRCMFE轴承不同损伤程度下25个尺度因子多尺度熵值；
图5为αRCMDE轴承不同损伤程度下25个尺度因子多尺度熵值；
图6为βRCMSE轴承不同损伤程度下25个尺度因子多尺度熵值；
图7为βRCMFE轴承不同损伤程度下25个尺度因子多尺度熵值；
图8为βRCMDE轴承不同损伤程度下25个尺度因子多尺度熵值；
图9为γRCMSE轴承不同损伤程度下25个尺度因子多尺度熵值；
图10为γRCMFE轴承不同损伤程度下25个尺度因子多尺度熵值；
图11为γRCMDE轴承不同损伤程度下25个尺度因子多尺度熵值；
图12为ωRCMWE轴承不同损伤程度下25个尺度因子多尺度熵值；
图13为不同特征数量下的轴承故障识别率；
图14为实验台主要组成部件；
图15为αRCMSE轴承不同故障程度下25个尺度因子多尺度熵值；
图16为αRCMFE轴承不同故障程度下25个尺度因子多尺度熵值；
图17为αRCMDE轴承不同故障程度下25个尺度因子多尺度熵值；
图18为βRCMSE轴承不同故障程度下25个尺度因子多尺度熵值；
图19为βRCMFE轴承不同故障程度下25个尺度因子多尺度熵值；
图20为βRCMDE轴承不同故障程度下25个尺度因子多尺度熵值；
图21为γRCMSE轴承不同故障程度下25个尺度因子多尺度熵值；
图22为γRCMFE轴承不同故障程度下25个尺度因子多尺度熵值；
图23为γRCMDE轴承不同故障程度下25个尺度因子多尺度熵值；
图24为ωRCMWE轴承不同故障程度下25个尺度因子多尺度熵值；
图25为不同特征数量下的轴承故障识别率。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供了一种基于RCMWE的滚动轴承微弱信号特征提取方法，所述方法将时域特征和频域特征构成多维原始故障特征集，采用四类特征评价准则对特征敏感性进行评价，根据特定的特征评价准则筛选出最优特征子集，将敏感特征参数作为精细复合多尺度加权熵的权重参数，通过哈达玛积运算进行加权组合，获得精细复合多尺度加权熵。具体实施步骤如下：
步骤一、筛选最优敏感特征参数
步骤一一、通过滚动轴承的重构原始信号计算每段信号的统计特征；
步骤一二、通过四类特征评价方法：皮尔逊相关系数PS、拉普拉斯得分LS、互信息MI及费舍尔得分FS分别得到M个时域特征参数和频域特征参数下的特征排序和其得分值；
步骤一三、分别得到皮尔逊相关系数PS、互信息MI及费舍尔得分FS的得分最大值所对应的特征，以及拉普拉斯得分LS的得分最小值所对应的特征，从而得到对应的4个敏感特征参数。
步骤二、构建基于精细复合多尺度加权熵特征提取方法
步骤二一、将得到的4个敏感特征参数作为精细复合多尺度加权熵的权重参数，分别与精细复合多尺度样本熵(RCMSE)、精细复合多尺度模糊熵(RCMFE)、精细复合多尺度离散熵(RCMDE)通过哈达玛积运算进行加权组合，当所选特征指标存在相同情况，则不进行重复加权；
步骤二二、将多维原始故障特征集中的时域特征参数和频域特征参数采用几何平均数的计算方法得到的结果作为权重参数，与步骤二一中得到的计算结果进行加权运算并求其算数平均数得到精细复合多尺度加权熵。
实施例1：
本实施例采用凯斯西储大学滚动轴承数据集对不同故障部位及不同故障尺寸进行特征提取实验分析。
凯斯西储大学轴承实验平台主要由三相异步电机、扭转传感器、交流电力测功机和控制器组成，如图1所示。被测轴承为靠近电机的驱动端6205SKF深沟球轴承，每个滚道上有9个滚动体，滚子直径为7.94mm，轴承外径52mm，内径25mm，节径39.04mm，轴承内圈、外圈以及滚动体故障损伤尺寸为0.1778mm、0.3556mm、0.5334mm，转速为1797r/min，采样频率为12kHz。每类故障状态下采集200组，每组包含2048个样本点。对不同故障部位及不同故障尺寸进行特征提取实验分析。
首先，筛选最优敏感特征子集。
故障状态的振动信号尤其是外圈信号都发生了周期性的冲击，无法对故障损伤程度进行准确区分。通过特征评价获得特征从大到小的排列顺序，进而确定其关键特征。基于凯斯西储大学实验数据对初始特征集LS、PS、FS、MI方法排序，得到的故障特征重要度排名如表1。
表1四类特征评价得分
通过表2可得到特征排序结果。基于LS的特征排序中，频域特征F15重要。基于PS的特征排序中，时域特征F3均方根重要。基于FS的特征排序中，时域特征F5峭度重要。基于MI特征排序中，频域特征F15重要。通过分析可知，频域特征在衡量特征重要性上占有一定的地位，频域指标更与轴承故障状态相关。而时域特征的重要性整体偏低，因此，需要结合时域域特征中敏感度高的特征，进一步提升轴承状态识别的性能。
表2不同方法下的特征排序
最后，构建一种基于精细复合多尺度加权熵特征提取方法。
将轴承10类故障状态进行αRCMSE、αRCMDE、αRCMFE，βRCMSE、βRCMDE、βRCMFE，γRCMSE、γRCMDE、γRCMFE最后将熵指标进行加权得到ωRCMWE来评估熵方法在区分健康状态和故障状态方面的性能，构建过程如图2所示，将时频域特征信号进行四类特征评价方法进行选择，将最优的敏感特征作为精细复合多尺度熵的加权值，将四类特征评价方法所选择的敏感特征F1′、F2′、F3′、F4′依次与RCMSE、RCMFE、RCMDE进行哈达玛积运算分别得到αRCMSE、αRCMFE、αRCMDE，βRCMSE、βRCMFE、βRCMDE，γRCMSE、γRCMFE、γRCMDE，εRCMSE、εRCMFE、εRCMDE。最后将多特征参数与三类精细复合多尺度熵方法通过加权运算得到ωRCMWE。
从图3到图5中发现单特征参数加权后的αRCMSE、αRCMFE均能看到前5个尺度因子下，正常熵值与其他故障之间互相交叉，无法区分正常与异常的故障区间范围。但随着尺度因子的增加，正常与异常熵值区分明显。αRCMDE虽然能够在整个尺度因子区分正常与异常的故障区间，但存在不同故障之间交叉重叠的问题。单一尺度的熵值不能有效区分故障类别。当比例因子等于1时，原始振动信号的多尺度熵值将退化为样本熵。从图中可以看出，正常滚动轴承振动信号的熵值小于滚动轴承故障振动信号的熵值，由此很容易得出一个错误的结论，即滚动轴承的故障振动信号比普通滚动轴承复杂得多。当滚动轴承在健康状态下工作时，振动是随机的。一旦滚动轴承出现故障，故障部位就产生有规律性和周期性的振动冲击。其具体表现为随着规律性和自相似性增加，使得信号的复杂度降低熵值随之减小。此外，在大多数比例因子下，轴承的外圈故障信号熵值<内圈故障<滚动体故障。这主要是因为当故障发生时，故障位置不同则冲击频率也不同，因此振动信号的复杂程度会因为不同位置的故障而不同。当外圈发生故障时，振动信号的冲击特征频率会因为外圈滚动轴承固定在轴承座上而变得单一且简单。此外，外圈故障的特征频率相比于内圈和滚动体元件，其故障频率最小，因此其自相似性和规律性也最明显，导致其振动信号熵值曲线随增大而下降最快。由于内圈随转轴自转，滚动体绕轴自转，球体的故障特征频率大于内、外圈的故障特征频率，因此，理论上滚动的振动信号球元件故障比内圈和外圈更复杂。因此，与基于单一尺度的熵值分析相比，多尺度熵值方法能够更好地反映故障性质。
从图6到图8中发现双特征参数加权后的βRCMSE、βRCMFE、βRCMDE能够在整个尺度因子上正常熵值与其他故障熵值之间不重合，随着尺度因子的增加，正常与异常熵值区分明显。双特征参数加权后的βRCMSE、βRCMFE、βRCMDE熵方法与单特征参数加权后的熵值相比，正常与异常熵值的区分度更加明显，能够保持自己在多尺度状态下的稳定性，但仍然存在不同故障之间交叉重叠的问题，这样会导致轴承的故障损伤程度难以识别的问题。
从图9到图12中发现多特征参数加权后的γRCMSE、γRCMFE、γRCMDE、ωRCMWE能够在整个尺度因子上正常熵值与其他故障熵值之间不重合，随着尺度因子的增加，正常与异常熵值区分明显。多特征参数加权后的γRCMSE、γRCMFE、γRCMDE、ωRCMWE熵方法相比单特征参数与双特征参数加权后的熵值，正常与异常熵值的区分度更加明显。并且γRCMSE、γRCMFE、γRCMDE、ωRCMWE能够使得不同熵值之间尽量不发生重叠关系且保持自己在多尺度状态下的稳定性，整体规律与实际轴承规律相符。尤其是γRCMDE、ωRCMWE针对不同故障类型与故障损伤状况能够清晰正确的识别，且不同故障类型之间的熵值在整个尺度上完全不发生重叠。多特征加权后的γRCMDE、ωRCMWE熵值从初始尺度本身开始达到稳定值，该尺度本身扩展到所有尺度。因此，γRCMDE、ωRCMWE可以作为健康故障检测的指标的一个基线熵值。总体而言，加权熵方法显着改善了健康故障检测。健康状态的加权熵大于故障状态的熵。这是由于加权参数的影响，该参数控制所有尺度上健康信号熵的任何改变。γRCMDE、ωRCMWE在提供基线指标方面比γRCMSE、γRCMFE更优越。本发明所提方法的分析中发现从初始尺度开始故障熵值就呈现急剧下降趋势。轴承不同故障的退化规律均满足，随着尺度因子增加，熵值变化规律呈现指数衰减形式。因此γRCMDE、ωRCMWE可以成为关于轴承恶化状况的有效指标。综上所述，以上分析表明γRCMDE、ωRCMWE非常适用于滚动轴承故障检测和诊断，是机械故障诊断和状态监测的有效工具。
为了进一步量化ωRCMWE方法的特征提取效果，将OS、αRCMSE、αRCMFE、αRCMDE、βRCMSE、βRCMFE、βRCMDE、γRCMSE、γRCMFE、γRCMDE、ωRCMWE这11种特征集，从初始特征中分别提取1到25个特征输入至分类器对样本进行训练与测试实现对故障的分类识别。随机筛选10种工况下10组样本进行训练，剩下40组样本进行测试，滚动轴承10种工况共计训练样本100个，测试样本400个。分类器使用的是LIBSVM工具箱，SVM核函数选用径向基函数。惩罚因子设置10，核函数参数设置20。循环测试50次。SVM分类器对11种特征提取方式得到轴承的故障识别结果如图13所示。
从图13中可知，原始时频域特征OS随着特征数量的增加反而出现下降，而后随着特征个数的增加而上升。αRCMSE、αRCMFE、αRCMDE、βRCMSE、βRCMFE、βRCMDE都是随着尺度因子的增加，故障识别率随之上升。整体故障识别率均能保证在72％以上。γRCMSE、γRCMFE、γRCMDE都是随着尺度因子的增加，故障识别率随之上升。整体故障识别率均能保证在98％以上。本发明提出的ωRCMWE和γRCMDE方法从第一个特征值个数开始，故障识别率就达到了100％。说明了多特征参数加权后的熵方法比其他方法更加稳定，在任何尺度上均能够识别出轴承不同损伤状态下的故障类型。
实施例2：
本实施例采用轴承故障预测实验台BPS分别进行轴承不同损伤程度下的单点和复合故障实验。
如图14所示，轴承故障预测实验台由触控面板、电机转速控制器、电机、径向加载液压系统、轴向加载液压系统、主轴、两个支撑轴承6210和18720、被测轴承ER-16K、力臂梁调节装置、拆卸轴承液压装置组成。实验中，采样频率为25.6kHz，通过径向加速度传感器获取13种轴承故障状态振动加速度信息，包括10种单点故障和3种复合故障。
首先，筛选最优敏感特征子集。
对获取的原始振动信号进行归一化处理，然后获得时频域特征下的15个特征指标，对时频域特征集分别通过LS、PS、FS、MI方法排序，得到四类特征评价得分如表3所示。
表3四类特征评价得分结果
通过表4可得特征排序结果。基于LS的特征排序中，频域特征F15重要。基于PS的特征排序中，频域特征F14重要。基于FS的特征排序中，时域特征F1方差重要。基于MI特征排序中，频域特征F14重要。
表4不同评价方法下的特征排序
最后，构建一种基于精细复合多尺度加权熵特征提取方法。
将轴承13类故障状态进行αRCMSE、αRCMDE、αRCMFE，βRCMSE、βRCMDE、βRCMFE，γRCMSE、γRCMDE、γRCMFE最后将熵值指标进行加权得到ωRCMWE来评估熵方法在区分健康状态和故障状态方面的性能。
从图15到图17中发现单特征参数加权后的αRCMSE、αRCMFE、αRCMDE均能看到能够在整个尺度因子上正常熵值与其他故障熵值之间不重合，随着尺度因子的增加，正常与异常熵值区分明显，但仍然存在故障信号混叠的问题。
从图18到图20中发现双特征参数加权后的βRCMSE、βRCMFE、βRCMDE能够在整个尺度因子上正常熵值与其他故障熵值之间不重合，随着尺度因子的增加，正常与异常熵值区分明显，但同样存在故障信号混叠的问题。
从图21到图24中发现多特征参数加权后的γRCMSE、γRCMFE、γRCMDE和ωRCMWE能够在整个尺度因子上正常熵值与其他故障熵值之间不重合，随着尺度因子的增加，正常与异常熵值区分明显。针对故障类别分类易实现，不同故障类型能够清晰正确的识别，且不同故障类型之间的熵值不发生重叠。针对不同故障的退化程度，随着尺度因子增加，熵值变化规律呈现指数衰减形式。
从初始特征中分别提取1到25个特征输入至SVM分类器识别滚动轴承不同故障类型，SVM的参数设置与凯斯西储大学实验验证相同。随机筛选13种工况下40组样本进行训练，剩下160组样本进行测试，滚动轴承13种工况共计训练样本520个，测试样本2080个。惩罚因子设置10，核函数参数设置20。循环测试50次。SVM分类器对11种特征提取方式得到轴承的故障识别结果如图25所示。
从图25中可知原始时频域特征OS随着特征个数的增加反而出现下降，而后随着特征个数的增加而上升。αRCMSE、αRCMFE、αRCMDE、βRCMSE、βRCMDE、βRCMFE都是随着尺度因子的增加，故障准确率随之上升，整体故障识别率均能保证在82.75％以上。γRCMSE、γRCMDE、γRCMFE都是随着尺度因子的增加，故障准确率随之上升。整体故障识别率均能保证在90.32％以上。因此，可以发现新的规律就是随着尺度因子的增大故障识别率反而下降，这说明并不是随着尺度因子的增加识别率会得到提高，而是冗余信息的增加会导致识别率下降。本发明提出的ωRCMWE和γRCMDE方法从第一个特征值个数开始故障识别率就达到了92.22％。说明了加权熵方法在任何尺度上均能够识别出轴承不同损伤状态下的故障类型。αRCMSE、αRCMFE、αRCMDE、βRCMSE、βRCMFE、βRCMDE前几个尺度因子出现了故障识别率下降的情况，主要是由于加权指标的影响使得正常熵值与异常熵值的差异更大，放大了熵值的影响。上述分析说明了本发明提出的基于ωRCMWE方法相对与其他几种方法在该轴承实验数据故障诊断中的优越性。

Claims (3)

1.一种基于RCMWE的滚动轴承微弱信号特征提取方法，其特征在于所述方法包括如下步骤：
步骤一、筛选最优敏感特征参数
将时域特征参数和频域特征参数构成多维原始故障特征集，采用皮尔逊相关系数PS、拉普拉斯得分LS、互信息MI及费舍尔得分FS四类特征评价准则对特征敏感性进行评价，根据特征评价准则筛选出最优敏感特征参数，具体步骤如下：
步骤一一、通过滚动轴承的重构原始信号计算每段信号的统计特征；
步骤一二、通过四类特征评价方法：皮尔逊相关系数PS、拉普拉斯得分LS、互信息MI及费舍尔得分FS分别得到M个时域特征参数和频域特征参数下的特征排序和其得分值；
步骤一三、分别得到皮尔逊相关系数PS、互信息MI及费舍尔得分FS的得分最大值所对应的特征，以及拉普拉斯得分LS的得分最小值所对应的特征，从而得到对应的4个敏感特征参数；
步骤二、构建基于精细复合多尺度加权熵特征提取方法
将步骤一筛选出的敏感特征参数作为精细复合多尺度加权熵的权重参数，通过哈达玛积运算进行加权组合，获得精细复合多尺度加权熵，具体步骤如下：
步骤二一、将敏感特征参数作为精细复合多尺度加权熵的权重参数，分别与精细复合多尺度样本熵、精细复合多尺度模糊熵、精细复合多尺度离散熵通过哈达玛积运算进行加权组合；
步骤二二、将多维原始故障特征集中的时域特征参数和频域特征参数采用几何平均数的计算方法得到的结果作为权重参数，与步骤二一中得到的计算结果进行加权运算并求其算数平均数得到精细复合多尺度加权熵。
2.根据权利要求1所述的基于RCMWE的滚动轴承微弱信号特征提取方法，其特征在于所述时域特征参数包括方差、标准差、均方根、偏度、峭度、波性指标、脉冲指标、峰值指标、裕度指标和峭度指标。
3.根据权利要求1所述的基于RCMWE的滚动轴承微弱信号特征提取方法，其特征在于所述频域特征参数包括均值频率、重心频率、均方根频率、标准差频率和峭度频率。
CN202310321869.5A 2023-03-29 2023-03-29 基于rcmwe的滚动轴承微弱信号特征提取方法 Active CN116399589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310321869.5A CN116399589B (zh) 2023-03-29 2023-03-29 基于rcmwe的滚动轴承微弱信号特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310321869.5A CN116399589B (zh) 2023-03-29 2023-03-29 基于rcmwe的滚动轴承微弱信号特征提取方法

Publications (2)

Publication Number Publication Date
CN116399589A CN116399589A (zh) 2023-07-07
CN116399589B true CN116399589B (zh) 2024-01-12

Family

ID=87011674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310321869.5A Active CN116399589B (zh) 2023-03-29 2023-03-29 基于rcmwe的滚动轴承微弱信号特征提取方法

Country Status (1)

Country Link
CN (1) CN116399589B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6526829B1 (en) * 1999-08-16 2003-03-04 Pruftechnik Dieter Busch Ag Process and apparatus for determining damage to cyclically moving machine components
CN111680661A (zh) * 2020-06-19 2020-09-18 哈尔滨工业大学 一种基于多特征融合的机械旋转部件性能退化跟踪方法
CN112819213A (zh) * 2021-01-22 2021-05-18 华南理工大学 基于深度学习网络的高速公路货运量预测方法及系统
CN113420691A (zh) * 2021-06-30 2021-09-21 昆明理工大学 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
CN115017943A (zh) * 2022-05-20 2022-09-06 合肥工业大学 轴承故障诊断模型训练方法及训练装置
CN115270956A (zh) * 2022-07-25 2022-11-01 苏州大学 基于持续学习的跨设备增量轴承故障诊断方法
CN115753107A (zh) * 2022-12-05 2023-03-07 东北林业大学 基于非线性量子信息熵的微弱滚动轴承故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111751763B (zh) * 2020-06-08 2021-08-10 武汉大学 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6526829B1 (en) * 1999-08-16 2003-03-04 Pruftechnik Dieter Busch Ag Process and apparatus for determining damage to cyclically moving machine components
CN111680661A (zh) * 2020-06-19 2020-09-18 哈尔滨工业大学 一种基于多特征融合的机械旋转部件性能退化跟踪方法
CN112819213A (zh) * 2021-01-22 2021-05-18 华南理工大学 基于深度学习网络的高速公路货运量预测方法及系统
CN113420691A (zh) * 2021-06-30 2021-09-21 昆明理工大学 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
CN115017943A (zh) * 2022-05-20 2022-09-06 合肥工业大学 轴承故障诊断模型训练方法及训练装置
CN115270956A (zh) * 2022-07-25 2022-11-01 苏州大学 基于持续学习的跨设备增量轴承故障诊断方法
CN115753107A (zh) * 2022-12-05 2023-03-07 东北林业大学 基于非线性量子信息熵的微弱滚动轴承故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MBCV-EWT和奇异值差分谱的滚动轴承信号降噪方法;王亚萍;振动.测试与诊断;全文 *

Also Published As

Publication number Publication date
CN116399589A (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
Li et al. A rolling bearing fault diagnosis strategy based on improved multiscale permutation entropy and least squares SVM
Xiong et al. Low-speed rolling bearing fault diagnosis based on EMD denoising and parameter estimate with alpha stable distribution
CN107228766A (zh) 基于改进多尺度模糊熵的滚动轴承故障诊断方法
CN108181105B (zh) 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统
Shakya et al. Vibration-based fault diagnosis in rolling element bearings: ranking of various time, frequency and time-frequency domain data-based damage identi cation parameters
Li et al. Bearing fault feature selection method based on weighted multidimensional feature fusion
CN104849050A (zh) 一种基于复合多尺度排列熵的滚动轴承故障诊断方法
CN110031227A (zh) 一种基于双通道卷积神经网络的滚动轴承状态诊断方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN108195584B (zh) 一种基于准确度谱图的滚动轴承故障诊断方法
Tao et al. An alternative time-domain index for condition monitoring of rolling element bearings—A comparison study
CN108106846B (zh) 一种滚动轴承故障损伤程度识别方法
CN110823576A (zh) 基于生成对抗网络的机械异常检测方法
CN112308038A (zh) 基于课堂式生成对抗网络模型的机械设备故障信号识别方法
Shi et al. Generalized variable-step multiscale Lempel-Ziv complexity: a feature extraction tool for bearing fault diagnosis
CN112781820B (zh) 一种滚刀性能退化趋势评估方法
CN110044620A (zh) 一种基于振动信号分析的滚动轴承故障诊断方法
CN115901249B (zh) 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法
CN108267312A (zh) 一种基于快速搜索算法的地铁列车轴承智能诊断方法
CN110991422A (zh) 基于多元时移多尺度排列熵的滚动轴承故障诊断方法
CN114755017A (zh) 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法
CN115753101A (zh) 一种基于权重自适应特征融合的轴承故障诊断方法
De Almeida et al. New technique for evaluation of global vibration levels in rolling bearings
CN116399589B (zh) 基于rcmwe的滚动轴承微弱信号特征提取方法
US20090199640A1 (en) Method for rolling-element bearing 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
GR01 Patent grant
GR01 Patent grant