基于EEMD的自适应mvMAAPE的滚动轴承故障诊断

陈睿，王立

（毕节市工业和信息化局大数据产业发展中心，贵州 毕节551700）

滚动轴承的平稳运行与生产安全紧密相关，一旦发生故障，不及时维修可能会造成严重的安全事故，对轴承的状态作出及时准确判断是进行安全生产的必要环节。轴承出现故障后，环境噪声与固有振动发生耦合，振动信号呈现非线性和非平稳特性[1]，难以直接判断故障类型，需要对振动信号作进一步处理。时频分析是目前常用的预处理振动信号的方法，如集成经验模态分解（Ensemble Empirical Mode Decomposion，EEMD），EEMD是经验模态分解（Empirical Mode Decomposion，EMD）的改进方法，能够将振动信号分解为不同时间尺度的固有模态分量（Intrinsic Mode Function，IMF），本文将其用于分解轴承的振动信号，并利用相关系数筛选出包含丰富故障信息的分量组成多通道信号，从而为后续的故障特征提取消除干扰。

非线性动力学方法如振幅感知排列熵[2]（Amplitude Aware Permutation Entropy，AAPE）和多尺度振幅感知排列熵[3]（Multiscale Amplitude Aware Permutation Entropy，MAAPE），因能够提取隐藏在振动信号的非线性故障信息被用于机械设备的故障诊断。吴海滨等将多尺度振幅感知排列熵应用于滚动轴承的失效检测[4]。相比于AAPE，MAAPE从多个尺度来对时间序列进行分析能够提取出更多有效信息。然而MAAPE是单变量分析方法，没有考虑到其他变量对分析结果的影响。为此，基于多维嵌入重构理论，将传统的单变量分析方法扩展到多变量，提出了多变量多尺度振幅感知排列熵（Multivariate Multiscale Amplitude Aware Permutation Entropy，mvAAPE）。mvMAAPE不仅能检测多通道中每个通道的振动信号的复杂性，同时能够考虑到多个通道的振动信号之间的耦合性。……