發(fā)布時間：2022-01-06 17:10

　　針對轉子故障信號非線性、非平穩(wěn)性的特點,提出了一種基于互補集合經驗模態(tài)分解、多尺度排列熵和GK聚類的故障特征提取和識別方法。首先采用互補集合經驗模態(tài)分解對故障信號進行分解,依據相關系數原則,選取相關系數最大的模態(tài)分量作為分析對象;然后利用多尺度排列熵量化模態(tài)分量的故障特征作為特征向量;最后,將經過PCA（Principal Component Analysis）降維后的低維特征集輸入到GK模糊聚類算法中進行故障識別分類。將所提方法應用于典型轉子實驗臺的故障特征集,通過分類系數與劃分熵對分類效果進行檢驗,并與其他模式組合方法進行比較。結果表明,本文所提方法能夠更有效提取故障特征。 

【文章來源】：振動工程學報. 2020,33(03)北大核心EICSCD

【文章頁數】：7 頁

【部分圖文】：

故障聚類方法流程

圖1 故障聚類方法流程由于篇幅限制，本研究以不對中狀態(tài)進行分析，其原始振動信息如圖3所示。本文根據Yeh等針對CEEMD添加參數的研究，選擇CEEMD添加的白噪聲幅值為0.15，添加白噪聲對數為50[10]。圖4為原始振信號經CEEMD自適應分解后得到12個IMF分量。分別計算各階IMF與原信號的相關系數，得到表1。由此可以得出，IMF與原始振動信號的相關系數最大為1.0000，因此選擇IMF1為最優(yōu)分量進行下一步故障分類和識別。

在計算多尺度排列熵時，需對以下4個參數進行設定：時間序列長度N、嵌入維數f、時延因子τ和尺度因子s。嵌入維數一般取3-7[15]，若f太小，重構序列中可能包含的狀態(tài)會太少，難以檢測出時間序列的動態(tài)突變；若f太大，將無法反映時間序列的細微變化。本文選取f=4。延遲時間τ對時間序列的計算影響較小，尺度因子s的最大值一般取大于10[20]即可。圖5為不同時延下排列熵數值變化情況，可以看出時延對信號的影響較小，因此取τ=1。尺度因子取s=12，計算12個粗粒向量的排列熵，得到5種狀態(tài)結果如圖6所示。圖4 不對中狀態(tài)故障CEEMD處理結果

【參考文獻】：
期刊論文
[1]一種ELMD模糊熵和GK聚類的軸承故障診斷方法[J]. 楊帥杰,馬躍,張旭,李鐸.  機械設計與制造. 2018(06)
[2]基于FVMD多尺度排列熵和GK模糊聚類的故障診斷[J]. 陳東寧,張運東,姚成玉,孫飛,周能元.  機械工程學報. 2018(14)
[3]CEEMD和小波半軟閾值相結合的滾動軸承降噪[J]. 王亞萍,匡宇麒,葛江華,許迪,孫永國.  振動.測試與診斷. 2018(01)
[4]基于變分模態(tài)分解和多尺度排列熵的故障診斷[J]. 陳東寧,張運東,姚成玉,來博文,呂世君.  計算機集成制造系統(tǒng). 2017(12)
[5]基于ITD-形態(tài)濾波和Teager能量譜的軸承故障診斷[J]. 張小龍,張氫,秦仙蓉,孫遠韜.  儀器儀表學報. 2016(04)
[6]基于粗糙集屬性約簡和貝葉斯分類器的故障診斷[J]. 姚成玉,李男,馮中魁,陳東寧.  中國機械工程. 2015(14)
[7]基于DLMD樣本熵和模糊聚類的滾動軸承故障診斷[J]. 孟宗,王亞超,王曉燕.  中國機械工程. 2014(19)
[8]基于EEMD樣本熵和GK模糊聚類的機械故障識別[J]. 王書濤,李亮,張淑清,孫國秀.  中國機械工程. 2013(22)
[9]多尺度排列熵及其在滾動軸承故障診斷中的應用[J]. 鄭近德,程軍圣,楊宇.  中國機械工程. 2013(19)
[10]基于Morlet小波變換的滾動軸承早期故障特征提取研究[J]. 馬倫,康建設,孟妍,呂雷.  儀器儀表學報. 2013(04)



本文編號：3572848