贺 彬,刘 泉
(北京信息科技大学 机电工程学院,北京 100192)
基于EMD-MPE与HMM的滚动轴承故障诊断*
贺 彬,刘 泉
(北京信息科技大学 机电工程学院,北京 100192)
针对故障轴承的特征难以提取以及状态识别困难的问题,提出了基于经验模态分解(EMD)-多尺度排列熵(MPE)与隐马尔科夫模型(HMM)的滚动轴承故障识别方法。首先,运用EMD滤波降噪原理对滚动轴承振动信号进行降噪,而后将已降噪的信号进行多尺度排列熵分析并提取不同尺度下排列熵的较大值作为信号特征。最后,将特征信号向量输入已训练好的HMM模型进行故障类型判别。并与支持向量机(SVM)进行比较研究。实验结果表明,基于EMD-MPE与HMM的滚动轴承故障诊断方法对滚动轴承的故障状态能够进行有效地识别。
滚动轴承;故障诊断;经验模态分解;多尺度排列熵;隐马尔科夫模型
滚动轴承作为旋转机械系统的重要组成部分,其能否健康工作关系着整个系统的正常运行[1]。所以,对出现故障的滚动轴承及时诊断显得尤为重要,而实现准确诊断的一关键因素在于对故障轴承信号中进行有效地处理。常见的滚动轴承故障诊断方法有傅里叶变换(FFT),小波变换,希尔伯特变换等,但它们都有各自的缺点和不足。如傅里叶变换的时频窗口固定不变的缺点导致其无法满足对滚动轴承的非平稳振动信号进行自适应分解[2];小波变换虽然有可变的时频窗口,但其本质上是通过该窗口对信号进行机械性地分割,同样也不是一种自适应的信号处理方法[3];……