基于ceemd能量熵和階次跟蹤的滾動軸承損傷狀態(tài)識別

基于ceemd能量熵和階次跟蹤的滾動軸承損傷狀態(tài)識別

0振動信號的故障監(jiān)測旋轉機中的滾動軸承是一個必不可少的部件。近1.3個故障是由滾動軸的承載引起的。因此,以滾動軸承為研究對象,開展相應的故障損傷分析具有重要的工程價值。文獻[1]的研究表明,滾動軸承的振動信號與軸承損傷的類型、程度、部位及其原因等密切相關,目前利用振動信號的故障損傷監(jiān)測方法應用廣泛。近年來,針對滾動軸承的損傷狀態(tài)評估,學者們開展了大量的研究。Batista等目前大多數(shù)的旋轉機械狀態(tài)識別研究成果局限于穩(wěn)定旋轉速度的工況條件。但通常情況下,機械旋轉系統(tǒng)由于不同的工況條件,會在不同的旋轉速度下工作。在變速度的工況條件下,旋轉機械故障的特征參數(shù)如特征頻率會隨著旋轉速度的變化而改變。根據(jù)Loughlin和Tacer近年來,通過學者的研究,小波熵和EMD熵能夠較好地描述設備的退化損傷狀態(tài)1ceemd方法和經驗的標準化過程1.1ceemd方法,克服模態(tài)混疊問題經驗模態(tài)分解(empiricalmodedecomposition,EMD)是一種適于非線性、非平穩(wěn)信號的自適應信號處理方法。其本質是對非平穩(wěn)信號進行平穩(wěn)化處理,將信號中不同尺度的波動或趨勢逐級分解出來。同時,EMD方法也存在一些不足如模態(tài)混疊現(xiàn)象,為了克服EMD的模態(tài)混疊問題,文獻[12]提出了一種集合經驗模態(tài)分解(ensembleEMD,EEMD)方法。EEMD利用白噪聲具有頻率均勻分布的統(tǒng)計特性,當信號加入高斯白噪聲后,使信號在不同尺度上具有連續(xù)性,改變信號極值點的特性,促進抗混疊分解,有效地避免了模態(tài)混疊現(xiàn)象。但同時在信號中加入白噪聲,使分解的結果帶來了重構誤差。為了克服噪聲對分解結果的影響,文獻[13]提出了CEEMD方法,能夠在保證分解效果與EEMD相當?shù)那闆r下,克服所添加的噪聲對分解結果的影響。其分解步驟如下:1)向待分解信號中加入n組正、負成對的輔助白噪聲,從而生成2套集合IMF。式中:S為原信號;N為輔助噪聲;M2)對集合中的每個信號進行EMD分解,每個信號得到1組IMF分量,其中第i個信號的第j個IMF分量用c3)對多組IMF分量進行組合,得到分解結果如下:其中c1.2eemd分解計算為了得到CEEMD能量熵,首先將振動信號進行CEEMD分解,計算各個IMF分量的總能量,計算公式如下:其中N為每個IMF分量的數(shù)據(jù)點數(shù)。能量熵的計算方法為:其中p歸一化后得到的特征向量為:1.3經驗歸一化過程將原始信號經過CEEMD分解后,各IMF分量c信號c(t)的解析信號z(t)可定義為:式中:頻率便可定義為相位θ(t)對時間t的求導:運用3次樣條曲線將IMF分量c利用y當y定義y式中F(t)為統(tǒng)一幅值下的純調頻函數(shù),則調幅部分A(t)為:根據(jù)式(4),可以得到:此時即完成了經驗頻率調制和幅度調制過程,可以發(fā)現(xiàn),經驗幅度調制較為平滑而且有效避免了高頻波動和幅度調制系數(shù)過調。計算頻率,對相位函數(shù)微分:振動信號的時間-頻率-幅度譜可表示為:則包含p個IMF分量信號的邊際譜為:2滾動軸承損傷狀態(tài)檢測和識別采用美國凱斯西儲大學(CaseWesternReserveUniversity)電氣工程實驗室的滾動軸承試驗數(shù)據(jù)對所提的方法進行驗證采用轉速和載荷分別為1730r/min和3HP,1750r/min和2HP,1772r/min和1HP,1797r/min和0HP四種工況下,故障直徑分別為0.18mm和0.54mm兩種狀態(tài)下的軸承振動信號對所提的方法進行驗證。如表1所示,本次試驗包括4種不同工況條件和7種軸承損傷狀態(tài),針對各個工作狀態(tài)條件下的每個損傷狀態(tài)采集20組數(shù)據(jù),一共560組數(shù)據(jù),(每種損傷狀態(tài)80個,其中40個用來訓練,40個用作測試)。試驗中所采用的滾動軸承主要參數(shù)為,軸承直徑39.04mm,滾珠直徑7.94mm,滾珠數(shù)量為9個,則滾動軸承各故障狀態(tài)下的特征階次為:式中:O將振動信號進行CEEMD分解后,選取包含主要損傷特征的IMF分量,分別進行經驗歸一化求得頻率調制和幅度調制,并計算得到這些IMF分量的時間-頻率-幅度譜,進一步計算這些IMF分量組成的邊際譜。而特征階次可以較好地消除轉速不同帶來的影響。根據(jù)邊際譜和特征階次,得到各特征階次對應的邊際譜幅值。并且能量熵能夠較好地表征各個損傷狀態(tài),由式(6)計算每組數(shù)據(jù)的CEEMD能量熵。最后結合特征階次邊際譜值和CEEMD能量熵構建滾動軸承損傷狀態(tài)識別的特征向量。將訓練和測試各280組特征向量進行歸一化后,分別對遺傳算法優(yōu)化的支持向量機進行訓練和測試,最終的診斷結果如表2所示。根據(jù)表2的計算結果,狀態(tài)2的損傷狀態(tài)識別精度最高達到了100%,狀態(tài)6的識別精度最低為85%,280組樣本的平均準確率為93.21%。針對不同的工況條件,所提的多工況滾動軸承損傷狀態(tài)識別方法有效。這是因為提取的故障特征中包含CEEMD熵和特征階次幅值,CEEMD熵針對滾動軸承不同的故障及損傷狀態(tài)識別效果較好,而各故障狀態(tài)的特征階次幅值能夠消除轉速的不同帶來的影響。3滾動軸承損傷狀態(tài)評估本文提出了一種基于CEEMD能量熵、邊際譜階次跟蹤和支持向量機的滾動軸承損傷狀態(tài)識別方法。通過CEEMD方法將原始信號分解為一系列的IMF分量,計算各IMF分量的能量熵,并采用經驗歸一化的希爾伯特變換計算各包含損傷特征的IMF分量的時間-頻率-幅度譜和邊際譜,結合邊際譜中各特征階次的幅