电机轴承故障的多尺度排列熵特征提取与GK识别*

周永强，卜文绍

(1.洛阳职业技术学院机电工程学院，河南 洛阳 471000；2.河南科技大学电气工程学院，河南 洛阳 471023)

0 引言

轴承是旋转机械设备中的关键部件，轴承异常轻则影响产品质量、导致生产过程停滞，重则引发机毁人亡等灾难性事故[1]。研究轴承故障诊断技术可以准确把握故障的演变规律，对防止轴承故障引发的系列问题具有重要意义。

从轴承故障诊断机理的角度分类，故障诊断方法包括声发射检测法[2]、温度检测法[3]、噪声分析法[4]、振动分析法[5]等，其中振动信号分析法应用最广、精度最高，且可以实现实时监测。轴承振动信号中包含大量的噪声，传统的傅里叶变换没有局部分析能力，难以有效提取故障信息。时频分析法同时具有时域和频域的局部分析能力，在故障诊断中得到广泛应用，包括短时傅里叶变换、小波变换、EMD分解和局部均值分解等方法。文献[6]使用短时傅里叶变换提取振动信号的时频谱作为特征信号，并使用神经网络进行故障模式识别，经验证此方法具有较高的识别精度。文献[7]研究了小波包与小波变换在轴承故障诊断中的区别和性能差异，结果表明小波包的降噪和识别性能优于小波变换。文献[8]将振动信号使用EMD分解为若干模态分量，与原始信号组成二维特征图，使用卷积神经网络进行辨识，实现了多故障不同损伤程度的高准确率识别。文献[9]提出了快速自适应局部分解方法的故障诊断方法，成功提取了轴承的故障特征。……