基于优化多尺度排列熵和卷积...网络的滚动轴承故障诊断方法_伍济钢.pdf
《基于优化多尺度排列熵和卷积...网络的滚动轴承故障诊断方法_伍济钢.pdf》由会员分享,可在线阅读,更多相关《基于优化多尺度排列熵和卷积...网络的滚动轴承故障诊断方法_伍济钢.pdf(8页珍藏版)》请在咨信网上搜索。
1、基于优化多尺度排列熵和卷积神经网络的基于优化多尺度排列熵和卷积神经网络的滚动轴承故障诊断方法滚动轴承故障诊断方法伍济钢,文港*(湖南科技大学机械设备健康维护湖南省重点实验室,湘潭411201)摘要:针对滚动轴承故障分类中特征信号微弱、信号非线性和多尺度特征难提取的问题,提出基于优化多尺度排列熵(MPE)和卷积神经网络(CNN)的滚动轴承故障诊断方法:通过改进自适应噪声完备集合经验模式分解(ICEEMDAN)对轴承信号进行分解和重构,实现信号降噪;通过粒子群算法(PSO)对 MPE 进行优化,提出 PSO-MPE 特征提取方法,参数优化后的 MPE 能够提取更为关键的特征信息;将所得的排列熵输入
2、到 CNN 中进行故障分类以及降维可视化分析。以凯斯西储大学开放轴承数据库样本为测试对象,将文章所提出的ICEEMDAN-PSO-MPE-CNN 方法与ICEEMDAN-PSO-MPE-RNN、CEEMDAN-SVM、ICEEMDAN-PSO-MPE-SVM 等方法进行纵向和横向对比分析,结果表明改进方法的分类准确率和效率更高,在 T-SNE 可视化下的分类效果更明显,能够实现滚动轴承故障的高精度和高效率检测。关键词:滚动轴承;故障诊断;多尺度排列熵;卷积神经网络;粒子群算法中图分类号:V231.92;TH133.33文献标志码:A文章编号:1673-1379(2023)01-0099-08D
3、OI:10.12126/see.2022102Rolling bearing fault diagnosis method based on optimized multi-scalepermutation entropy and convolutional neural networkWUJigang,WENGang*(HunanProvinceKeyLaboratoryofHealthMaintenanceEquipment,HunanUniversityofScienceandTechnology,Xiangtan411201,China)Abstract:Inviewofweakfea
4、turesignal,signalnonlinearityanddifficultextractionofmulti-scalefeaturesinrollingbearingfaultclassification,arollingbearingfaultdiagnosismethodbasedonoptimizedmulti-scalepermutationentropy(MPE)andconvolutionalneuralnetwork(CNN)wasproposed.Thedecompositionandreconstructionofbearingsignalsbyimprovingc
5、ompleteensembleempiricalmodedecompositionwithadaptivenoise(ICEEMDAN)could achieve the signal noise reduction.The MPE was optimized by particle swarmoptimization(PSO),thePSO-MPEfeatureextractionmethodwasproposed,andtheparameter-optimizedMPEcouldextractmorecriticalfeatureinformation.Theresultedpermuta
6、tionentropywasinputintoCNNforfaultclassification and dimensionality reduction visualization analysis.The ICEEMDAN-PSO-MPE-CNN methodproposed in this paper was analyzed and compared with CEEMDAN-SVM,ICEEMDAN-PSO-MPE-RNN,ICEEMDAN-PSO-MPE-SVMandothermethodslongitudinallyandcross-sectionallybytakingCase
7、WesternReserveUniversitysopenbearingdatabasesamplesastestobjects.Theresultsshowthattheimprovedmethodenjoys higher classification accuracy and efficiency with more obvious classification effect under T-SNEvisualization,thuscanrealizethehighprecisionandhighefficiencydetectionofrollingbearingfaults.Key
8、words:rollingbearing;faultdiagnosis;MPE;CNN;PSO收稿日期:2022-10-10;修回日期:2023-01-27基金项目:国家自然科学基金项目(编号:51775181)引用格式:伍济钢,文港.基于优化多尺度排列熵和卷积神经网络的滚动轴承故障诊断方法J.航天器环境工程,2023,40(1):99-106WU J G,WEN G.Rolling bearing fault diagnosis method based on optimized multi-scale permutation entropy and convolutionalneural
9、networkJ.Spacecraft Environment Engineering,2023,40(1):99-106第40卷第1期航天器环境工程Vol.40,No.12023年2月SPACECRAFTENVIRONMENTENGINEERING99http:/E-mail:Tel:(010)68116407,68116408,68116544 0 引言引言滚动轴承作为燃气轮机、航空发动机等重要机械中关键的支承零件,经常工作在高载、高频以及高温的恶劣环境下,容易发生磨损、点蚀等诸多故障。为避免因滚动轴承故障而导致巨大经济损失甚至人员伤亡,对滚动轴承进行精确故障诊断是十分必要的1。故障特征的
10、提取是故障诊断的前提,而滚动轴承振动信号的传递路径复杂,并且滚动轴承与其他零部件的耦合运动会导致故障特征信号的多模态混淆,因此在进行故障特征提取时会面临故障特征信号微弱、信号非线性和多尺度特征难提取的问题2-3。针对这些问题,Huang 等4提出用经验模态分解(EMD)的方法将复杂信号分解为多个内禀模态函数(IMF),但该方法的模态混叠十分严重。胡茑庆等5针对行星齿轮箱振动信号的非平稳特性,通过 EMD 分解后根据峭度值选择最优 IMF,解决了信号非线性问题,但模态混叠仍严重。集合经验模态分解(EEMD)6能够改善 EMD 带来的模态混叠问题:朱渔等7通过 EEMD 和双向长短期记忆(BLST
11、M)对齿轮行星轮进行故障诊断,田晶等8通过 EEMD 对滚动轴承故障信号进行分解以及IMF 重构,虽然改善了模态混叠问题,但是会给原信号带来残留的白噪声信号。自适应噪声完备集合经验模式分解(completeensembleempiricalmodedecompositionwithadaptivenoise,CEEMDAN)9能够极大降低 EEMD 引入高斯白噪声而导致噪声残余的问题:肖俊青等10结合 CEEMDAN 和深度学习的方法对滚动轴承进行故障诊断,刘起超等11通过 CEEMDAN 对振动管道的压差信号进行分解,但是 CEEMDAN 分解结果仍然存在一定程度的模态混叠问题。综上,虽然
12、EMD、EEMD、CEEMDAN均能针对故障信号的非线性和特征信号微弱的问题予以一定程度的解决,但是模态混叠问题始终未得到很好的解决。Colominas 等12在 CEEMDAN 基础上针对模态混叠问题进行改进,形成 ICEEMDAN方法;但管一臣等13利用 ICEEMDAN 方法对行星齿轮箱故障电流信号进行分解发现,该方法缺乏多尺度特征提取能力,不便进行精确的故障分类。可见,ICEEMDAN 虽能解决故障信号提取中的模态混叠和低效率问题,但是信号特征提取能力欠缺。近些年,变分模态分解(VMD)和卷积神经网络(CNN)在故障诊断领域的应用较为广泛,以滚动轴承故障为对象,为了从噪声干扰下的复合故
13、障信号中提取出有效的单一故障信息,张伟等14提出蝙蝠算法优化 VMD 的分离方法,但是没有进行进一步的特征提取。为了提高旋转机械滚动轴承故障诊断的准确率,曹洁等15提出 VMD 和反向传播神经网络(backpropagationneuralnetwork,BPNN)的滚动轴承故障诊断方法,但是该方法将特征提取过程完全依靠 BPNN,存在局限性。为了检测强噪声和变工况下的滚动轴承故障类型,赵小强等16提出了改进 Lenet5 神经网络的轴承故障诊断方法,但将信号的特征提取过程完全交给 Lenet5 这样一个黑匣子网络模型,难以保证关键特征的提取。为解决上述方法中在关键特征提取方面存在的问题,本文
14、提出基于优化多尺度排列熵(multi-scalepermutationentropy,MPE)17和 CNN 的滚动轴承故障诊断方法,通过 ICEEMDAN 进行信号的分解降噪以及关键特征的显化,再通过优化的 MPE 进行关键特征提取,最后通过 CNN 实现信号特征的非线性分类。1 方法原理方法原理1.1ICEEMDAN 信号分解方法本文通过 ICEEMDAN 信号分解方法来解决滚动轴承故障信号特征微弱和非线性的问题。ICEEMDAN 在对信号进行多次分解和重构后可把信号区分为包含不同模态的 IMF 分量,从而实现信号特征加强以及对非线性信号中各模态的区分。ICEEMDAN 和 CEEMDAN
15、 都是在每次分解后的残差中添加高斯白噪声后再进行 EMD,均可极大程度消减模态混叠现象;但和 CEEMDAN 把含噪声的 IMF 平均后作为最终 IMF 不同,ICEEMDAN把上次迭代的残差和本次含噪声的残差平均值之差作为本次迭代的 IMF,可进一步减少无用 IMF分量和模态混叠现象。ICEEMDAN 方法的具体运行流程如图 1 所示,图中:x 为输入的原始振动信号;1、k分别为第 1 次和第 k 次分解信号时的期100航天器环境工程第40卷望信噪比;X1n、Xkn分别为构造的第 1 组和第 k 组含 n 个高斯白噪声的信号(n=1,2,);E1()、Ek()分别为 EMD 分解产生的 1
16、阶和 k 阶模态分量;M()为信号的局部均值;r1、rk分别为第 1 次和第 k 次分解信号产生的残差信号;I1、Ik分别为第1 次和第 k 次分解信号产生的 IMF 分量;(n)为均值为 0 的高斯白噪声;为两临近 IMF 之间的标准差,作为迭代结束判据。开始否是是结束否k1?X 1=x+1E1(n)nX k=rk1+kEk(n)nr1=M(X k E1(X k )(n)(n)r1=M(X k E1(X k )(n)(n)I1=x r1k=k+1k=k+1Ik=rk1 rk=0.2?|Ik+1Ik|2|Ik|2初始化:k1输入信号:x图1ICEEMDAN 分解流程Fig.1Flowchart
17、ofICEEMDANdecomposition1.2PSO-MPE 特征提取方法本文选取粒子群算法(PSO)优化的 MPE 方法针对滚动轴承中的多尺度特征信号进行提取,其中MPE 的基本原理就是对信号进行粗粒化处理,而引入多尺度因子的 MPE 方法能够对信号进行局部尺度上的信号粗粒化,更能反映信号的复杂性和随机性。MPE 的具体步骤可分为时间序列粗粒化、序列重构、概率计算和排列熵计算:1)对原始信号进行多尺度粗粒化,令ys(j)=1sjsi=(j1)s+1x(i),(1)式中:ys(j)为粗粒化后的数据排列;s 为尺度因子。2)序列重构,令Ys(l)=ys(l),ys(l+1),ys(l+t(
18、ml);(2)式中:l 为重构分量;t 为延迟时间;m 为嵌入维数。3)按升序排列,计算每一种符号序列出现的概率 Pv;4)排列熵计算,HP(m)=-Vv=1PvlnPv,Vm!;(3)HP=HP(m)ln(m!)。(4)式中 HP为归一化后的多尺度排列熵。由式(1)式(4)可以看出:s 值的选择直接影响多尺度特征提取的效果;而 m 的选择过大时会增加运算时间,过小时会造成重构信息不足;t 的选择对时间序列的重构存在一定影响。因此,须引入PSO 针对 MPE 中的这 3 个参数进行寻优,以获得更好的信号特征提取效果。1.3CNN 分类方法与传统的 SVM 方法的线性分类方法不同,CNN因其特有
19、的卷积操作、稀疏连接操作以及非线性函数激活操作对 MPE 方法提取后的数值有着更为优秀的分类能力。滚动轴承信号为一维信号,因此本文选择一维卷积核进行网络构造,其网络结构如图 2 所示,具体参数为:迭代次数 200,mini-batch=4,初始学习率110-3,最小学习率110-8,通过Adam 方法进行参数优化,卷积激活函数为 Relu,分类函数为 Softmax。InputChanel:64120844Kernel:31OutputFull connectionlayer1Full connectionlayer2layerConvld图2CNN 网络结构示意Fig.2Networkstr
20、uctureofCNN 2 信号分解和特征提取信号分解和特征提取2.1用 ICEEMDAN 进行信号分解以美国凯斯西储大学开放轴承数据库样本18中 12Hz 采样频率下编号 118 的保持架故障 6000采集点信号为对象,通过 ICEEMDAN 分解方法对第1期伍济钢等:基于优化多尺度排列熵和卷积神经网络的滚动轴承故障诊断方法101其进行分解。首先,对原始信号进行分解,图 3 为保持架故障信号的时域图,图 4 为经过 ICEEMDAN分解后的各 IMF 分量时域图。然后,将各个 IMF 分量同原始信号按corxy=mi=1E(xiyi)E(xi)E(yi)mi=1E(x2i)E2(xi)mi=
21、1E(y2i)E2(yi)(5)进行相关性计算,结果如表 1 所示。最后,需选取那些强于弱相关的(即,相关系数0.2 的)IMF 分量进行重构。0.150.100.050-0.05-0.10-0.1500.10.20.30.40.5时间/s幅值0.60.70.80.91.0图3原始信号时域图Fig.3Timedomaindiagramoforiginalsignal01000 2000 3000 4000 5000 6000000.02-0.021000 2000 3000 4000 5000 600000-0.010.011000 2000 3000 4000 5000 600000-121
22、1000 2000 3000 4000 5000 6000005-5100010-310-310-310-310-42000 3000 4000 5000 600001000 2000 3000幅值采样点采样点4000 5000 6000IMF1IMF2IMF4IMF6IMF8IMF10IMF12IMF3IMF5IMF7IMF9IMF11001000 2000 3000 4000 5000 6000000.02-0.021000 2000 3000 4000 5000 600000-221000 2000 3000 4000 5000 600001000 2000 3000 4000 5000
23、 600001000 2000 3000 4000 5000 600001000 2000 3000 4000 5000 60000.050.1-0.100.1-0.100.1-0.1876-0.0500.05-0.050图4ICEEMDAN 分解的 IMF 分量时域图Fig.4TimedomaindiagramofIMFcomponentofICEEMDANdecomposition表1各 IMF 分量与原始信号的相关系数Table1CorrelationcoefficientofeachIMFcomponentandoriginalsignalIMF1IMF2IMF3IMF4IMF5IMF
24、60.5150.6170.5770.3240.2490.185IMF7IMF8IMF9IMF10IMF11IMF120.0090.0040.0010.0020.0030.0132.2PSO-MPE 信号特征提取以凯斯西储大学开放轴承数据库样本18中12Hz采样频率下编号为 105、130、118 和 97 的 4 类故障(分别为轴承内圈故障、轴承外圈故障、轴承保持架故障、正常)信号的 ICEEMDAN 分解重构信号为对象进行 PSO 寻优,对 MPE 的参数进行优化,结果见表 2。表2PSO 寻优的 MPE 参数Table2MPEparametersofPSOoptimization故障编号故
25、障类型MPE参数smt105内圈故障954130外圈故障1672118保持架故障77597正常985从 4 类故障信号中各选 7 条(或 12 条)数据分别进行 PSO-MPE 特征提取和 MPE 特征提取,PSO-MPE 参照表 2 选择参数,结果按最少尺度因子的数量进行表示;MPE 的参数参照文献 19 选择 s=12、m=6、t=1,结果按 12 尺度因子的数量进行表示。两种方法的提取效果对比如图 5 和图 6 所示,从 3D 图和 2D 图都能够看出,经过 PSO 优化102航天器环境工程第40卷后不同故障之间的 MPE 值相差较大,表明经过PSO 优化后的 MPE 能够使从各类故障中
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 优化 尺度 排列 卷积 网络 滚动轴承 故障诊断 方法 伍济钢
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。