巴 頔,张宏斌,张文华
(齐齐哈尔大学 机电工程学院,黑龙江 齐齐哈尔 161006)
滚动轴承故障振动信号的表征与诊断对解决存在于农业、化工、国防工业等领域大型装备的安全稳定运行问题具有重要的意义。复杂工作环境下滚动轴承的故障振动信号表现出明显的非线性和非平稳性特征,极大地影响着机械设备的稳定运行。近年来随着信息熵理论的发展,基于近似熵、样本熵、多尺度熵等系统复杂性测度的方法被大量应用于滚动轴承故障诊断与劣化过程的研究中[1-4]。大量研究表明滚动轴承故障振动信号在不同时间尺度上会表现出不同的复杂性测度。因此,本文以SKF6205型轴承为研究对象,提出基于EEMD多尺度模糊熵的滚动轴承故障表征方法。利用EEMD自适应多尺度分解特性获取EEMD多尺度模糊熵,然后将其输入到BP神经网络进行分类,从而实现了对内圈、外圈以及滚动体三种故障类型和正常状态的表征分析。
EEMD多尺度模糊熵作为一种时间序列复杂性的度量方式,具有自适应多尺度分解的特性,其模糊熵计算过程如下:
对长度为N的时间序列X=[x1,x2,...,xN]设定嵌入维数m,根据原始时间序列构造一组m维向量Xmi
Xmi=[xi,xi+1,...,xi+1-m]-ui
(1)
(2)
式中,i=1,2,...,N-m+1,且i≠j。
(3)
定义函数
(4)
则可得
(5)
类似地对维数m+1,重复式(1)~式(5),可得
(6)
定义时间序列模糊熵为
FuzzyEn(m,r,n,N)=lnΦm(r)-lnΦm+1(r)
(7)
式中,m为嵌入维数,N为数据长度。
本文采用美国凯西西储大学轴承数据中心提供的轴承转速1 772 r·min-1、采样频率12 kHz、单点直径损伤0.177 8 mm时的驱动端振动加速度数据进行可行性验证。不同滚动轴承故障状态的振动时间序列如图1所示[1]。
图1 不同故障状态的振动时间序列
通过大量的数据验证发现,滚动轴承故障振动信号经EEMD分解后能够获取7~9个不等的IMF分量[2]。本文采用EEMD分解获取的前8个IMF分量的模糊熵作为故障信号特征数据集,每个IMF分量都包含了原始数据在不同时间尺度上的特征信息。测试样本包含3种故障类型和1类正常数据,每类选取230个样本,其中训练样本180个,测试样本50个,每个样本的采样点数为1 800个[3]。
将滚动轴承EEMD多尺度模糊熵组成的特征数据集输入到BP神经网络中进行学习[4],其诊断流程如图2所示。
图2 故障诊断流程
经过BP神经网络学习训练后的滚动轴承故障诊断结果如表1所示。
表1 滚动轴承故障诊断结果
从表1中可以发现,在滚动轴承故障诊断过程中仅在正常运行状况中出现1次误诊断情况,其余故障都得到了准确诊断,准确率达到了99.5%。验证结果表明该方法能够实现对滚动轴承故障的准确有效诊断。
本文提出了一种基于EEMD多尺度模糊熵与BP神经网络的滚动轴承故障表征方法,EEMD多尺度模糊熵对不同滚动轴承故障振动信号敏感,能够有效表征不同故障类型,为更好地分析滚动轴承劣化过程提供了新途径。