基于IMFECF的多信息熵融合技术的齿轮故障诊断方法.pdf
《基于IMFECF的多信息熵融合技术的齿轮故障诊断方法.pdf》由会员分享,可在线阅读,更多相关《基于IMFECF的多信息熵融合技术的齿轮故障诊断方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、轨道交通职业教育研究2022 年第丨期 Vocational Education Research on Rail Transit 总第 32 期基于IMFECF的多信息熵融合技术的齿轮故障诊断方法谭 浩 宇 李 晟 方 颜 毅 斌 陈 清 化(湖南铁路科技职业技术学院工程技术研究中心湖南株洲412000)摘 要摘 要:交变应力和高负栽的工作条件会导致齿轮箱故障频发,为了通过振动信号诊断齿轮箱各 工况下运行情况,提出了 一种采用丨MFECF(IMF Entropy Classification Factor)的多信息摘融合技术的 齿轮故障诊断方法。通过IMFECF量化信息熵中IMF(丨ntri
2、nsic Mode Function)的表征能力,分离表征 能力优异的丨MF。利用多信息烟融合体系结构,获得了最优的ANFIS(Adaptive Network-based Fuzzy Inference System)。研究结果表明,经诊断模型训练后的诊断误差满足要求,能准确诊断齿轮箱状态。关键词:信关键词:信息熵;特征提取;故障诊断;齿轮箱中图分类号:中图分类号:TP274+.5 274+.5 TH165+.3 文献标识码165+.3 文献标识码:A 文章编号:文章编号:HN(2022)01-0055-08(2022)01-0055-08Research of Gear Fault Dia
3、gnosis Based on IMFECF of multiinformation Entropy Fusion MethodTan Hao-yu Li Sheng-fang Yan Yi-bin Chen Qing-huaAbstract:Alternating stress and poor working conditions can result in frequent failures of gearbox.In order to effectively diagnose operating conditions of gearbox,a method was proposed f
4、or diagnosing faults in gearbox based on IMFECF of multi-information entropy fusion technology in this paper.The essence of IMFECF is to quantify the characterization ability of IMF in each information entropy.The IMF1 with excellent characterization ability in each information entropy is effectivel
5、y separated by this method.Through the multiinformation entropy fusion architecture,the optimal ANFIS is obtained.The test results show that the classification accuracy of this method can reach 99.3%compared with the traditional method.Key words:information entropy;feature extraction;fault diagnosis
6、;gearbox齿轮传动是现代机械设备中最重要的传动 系统,各部件间耦合作用强,易造成齿轮裂纹、点 蚀和断齿。诊断齿轮的故障需先对齿轮的振动信 号进行信号处理,获取信号中的故障特征,最后 利用分类器根据故障特征完成故障区分。目前,短时傅立叶变换(STFT)和小波分析堤主要的信 号处理手段,但处理结果易受噪声、相关系数干扰。随着基于自适应噪声完备集合的经验模态分 解方法(CEEMDAN)的发明,CEEMDAN能有效 减少重构信号中的残余噪声,避免模态混叠、端 点效应等缺陷,被广泛应用于旋转机械的非线 性、非平稳振动信号1 2 1 的处理上。CEEM)ANW1分解能够获得包含齿轮故障特 征的丨MF
7、分量,但由于在丨MF中故障特征不明收稿曰期:2021年1 2 月 4 曰作者简介:谭浩宇,男,(1993-),湖南株洲人,湖南铁路科技职业技术学院助教。研究方向:旋转机械的故障诊断55显,因此需要通过一些量化指标来突出故障。目 前,有效量化故障信息的常用方法有分形维数1 6 1 和信息熵。其中信息熵是机器学习中重要的量化 指标,不同信号熵的测度的不同,对不同的故障 的量化能力也不同。其中排列熵n、奇异谱熵1 8 1 和 近似熵1 9 1 是基于时间序列的信息熵,具有结构简 单,抗噪能力强,运行速度快的优点,广泛被应用 在轴承和齿轮的故障诊断上,但由于量化的测度 不同,对不同故障的表征能力各有所
8、长。Moshen Kuain l 利用排列熵提取了 IMF中的 太阳轮故障特征,通过神经网络实现分类和诊 断,测试样品的总体识别率达到90.75%,取得了 非常优异的表现。但在进一步增加故障类型中发 现,由于单一信息熵特征对故障的表征能力有 限,导致分类器的识别能力受限,出现精度的下 降,其 中IMF的选取也影响了信息熵的表征能 力。因此提出了一种新的多信息熵融合体系结 构,构建了多维度特征,增强了特征表征能力|M|,并利用IMFECF量化丨MF特征的选择,提高了分 类的准确性,以适应对于多种齿轮箱故障类型监 测的实际需求。一、信息熵融合模型一、信息熵融合模型单一特征完成故障分离具有难度。为了
9、更好地提 取故障特征,完成故障分类,提出了一种多信息 熵融合架构,如 图 1 所示,其能够同时提取和整 合多个维度信息熵特征,并且加入其他特征的操 作简单。它由三个阶段组成:CEEMDAN阶段,多 信息熵融合阶段和学习分类阶段。1.CEEMDAN信号分解方法(1)将白噪声添加到原始信号X(t),通过 EMD进行第I次分解,然后利用平均运算消除残 余误差,得到,其 中rl为EMD分解的残差 分量。+(1)i=lrxt)=Xt)-IMF,(2)(2)将白噪声添加到第一级残差分量中rl(t),然后执行EMD分解,然 后 利 用 的 平 均 值计算/M&。IMF2=-f,E M()+(3)7 i=lr
10、k(t)=rk-(-IMFk(4)(3)将白噪声添加到第k个 残 差 分 量 中,再执行EMD分解,然后计算与W的 平均值。重复2)和 3),直至残差成分值小于两个齿轮发生故障时会引入低频脉冲分量以及 解调分量,不同故障特征间有所差异,所以通过极值,则停止EMD分解。(5)1 i=lL J_ J1,丨I.C E E M D A N11.多信息熵特征融合III.A N F IS 分类56图 1基于信息熵融合故障诊断框架2.多信息熵融合体系结构(1)信息熵目前,信息熵1 1 2 1 作为有效的量化指标常被应 用于旋转机械的故障诊断领域,通过改变描述的 测度,形成不同的诊断维度,从不同的维度表征 故
11、障特征,对于时间序列40,/=U#,通过 等式(6)计算其信息熵,其中凡为集合测度,不同 测度形成具有不同特点的信息熵。本文使用排列 摘(Permutation Entropy,PE)、奇异谱摘(Singular Spectral Entropy,SSE,SSE)、近似摘(Approximate Entropy,AE)、功率谱摘(Power Spectral Entropy,PSE)以及小波能谱摘(Wavelet Energy Entropy,WEE)作为融合特征。其中PE具有结构简单,抗 噪能力强,鲁棒性强等优点,对于非线性信号的 特征提取具有较强的适用性;SSE对长信号的适 用能力强,描述
12、时间序列的分布特性;AE是对时 间序列的波动和不可预测性的非线性动力学参 数的量化描述。PSE和WEE分别描述信号在频 域和时频分布上的变化规律。mHs =YjPMPi)(6)i=多信息熵融合是指通过计算各层IMF的不 同信息熵,选择分离性能强的IMF层数和信息熵 种类进行组合,进行特征的表达。但是对于不同 的故障,存在各层IMF的相同信息熵的表征能力 不同;相 同IMF的不同信息熵的表征能力也不同,因此需选择信息熵中表征能力较强的IMF 层,从而最大程度利用各种信息熵和每层IMF完 成诊断故障。(2)IMF 摘值分类因子(IMF Entropy Classi-fication Factor,
13、IMFECF)由于不同信息熵对IMF表征性能不同,传统 方法在利用信息熵提取IMF时,只能人为选择特 征突出的分量,缺少量化指标,难以统一化,导致 自适应性较弱。通 过IMF熵值分类因子(IM-FECF)能够量化信息熵对各IMF的表征能力,实 现分离在不同信息熵中表征能力突出的IMF。其中齿轮故障特征主要集中在高频部分,因 此选择包含主要特征的前六t 1 4 IMF作为研究对 象。计算不同工况下的IMF分量的5 种信息熵,然后通过IMFECF选取分类特征优异的IMF分 量作为ANFIS的训练输人,从而提高ANFIS的 分类能力。计算流程图如图2 所示,运行过程总 结如下:1)对采集到的振动信号
14、进行CEEMDAN分 解,获得IMF,对IMF分别计算5 种信息熵,依次 得到各工况下5 种信息熵的IMF矩阵,通用形式 如式(7)。其中,i为信息熵类型,;=1,2,3,4,5分别 为 PE、SSE、AE、PSE、WEE,j 为 故 障 类 型,j=l,2,3,4分别为正常、断齿、裂 纹、断 齿、缺 块,k为 IMF分量层数,N为同类故障的采集样本数。Hy(IMFu)叹1嫌12).叹層认)HvIMF72)(7)2)在同一信息熵下,计算不同工况的IMF矩 阵之间的欧几里德距离,其中=i/(H j.)一1 V(IM F).(取对角矩阵表示相同IMF分量对各工况的分类 能力,其中最大值表示分类性能
15、最优异,然后在5 种信息熵下,重复进行等式(8)-(9)操作。3)将(9)式所获得的距离矩阵在窗口下进行 归一化,获 得IMF熵值分类因子,标 记 为,然后通过筛选具有优秀分类特性的IMF分量,以获 得用于模型训练和测试的信息熵样本。iiP=丨.:(8)PN VNN_a=max(diag(py)(9)maxa)57图2 1MFECF计算流程图3.多信息熵融合的自适应神经模糊推理系统 ANFIS是相对较为成熟的推理系统,结构为 图 2 中所示的双输入单输出的5 层网络,正方形 和圆形分别代表具有可调参数和非可调参数的 节点。在ANFIS模型中,当输人数超过三个时,使 用网格划分方法(Grid P
16、artition)将产生大量的规 则,易造成规则混乱,增加训练时间。由于本信息 熵融合方法具有多达17个输入量,为了减少规 则数量,缩短训练时间,因此采用减法聚类方法(Subtractive Clustering)1 1 3 1。减法聚类方法是用于 估计数据中聚类个数及中心位置的快速算法,根 据数据点密度计算聚类中心的可能性,选取数据 点密度最高的作为聚类中心,并排除附近其他聚 类中心的可能性,计算至剩余数据点可能性低于 阈值则停止。设数据点坐标为1间的单位超立方体,聚 类中心范围为0.20.5之间,则其数据点Xi的密 度为其中1控制数据点的密度范围,通过计算所 有数据点密度,确定第一个聚类中
17、心,然后修正 其他数据点为其中密度缩小的范围,通过重复直到可能性小于阈值。二、实验设备和数据采集为了验证基于IMFECF的多信息熵融合技 术的齿轮故障诊断方法的可行性。实验使用了如 图 3 所示的具有可更换齿轮的基准两级齿轮箱 来收集实验数据,齿轮速度由电动机控制,由电 磁制动器提供所需扭矩,通过更改其输人电压进 行工况需求的调整。通过加速传感器对齿轮运行 产生的振动信号进行测量,检测到的振动信号由 计算机准确收集,计算机通过DSPACE系统以 20000Hz的采样频率记录信号。并在输人轴上的 小齿轮上引入了五种常见的齿轮状况,包括健康 状 况、断齿状态、齿根裂纹、齿面剥离和齿面缺 块,如图4
18、 所示。在电动机恒定负载的情况下,在 800和 1500rad/min下,对五种状态的共进行了 500次采 样,每种工况有100个原始样本,每个样本包含 3600个数据点。利 用CEEMDAN对每一组原始 样本信号进行分解,获 得IMF分量,CEEMDAN 算法的总体平均次数设为500,所添加噪声的标 准偏差为原始信号的0.2倍,允许的最大筛选迭 代次数为2000。由于篇幅有限,仅展示断齿状态 下振动信号的CEEMDAN分解结果,如 图 5 所 示。由于齿轮运行的非平稳性,导 致CEEMDAN 分解获得许多IMF分量。图3传感器布置情况图4各个典型故障的齿轮58-排列熵ANFIS测试-奇异谱熵
- 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 IMFECF 信息 融合 技术 齿轮 故障诊断 方法
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。