基于模糊熵和包络分析的滚动轴承故障特征提取
详细信息 查看官网全文
摘要
在机械设备故障诊断中,如何有效提取故障特征信息是故障诊断的关键。近年来,随着各种非线性动力学理论的发展,如分形维数、混沌特征参量、近似熵等方法已被广泛地应用于机械故障诊断领域,并取得了不错的成果。2007年,陈伟婷等人对样本熵算法进行了改进,首次提出了模糊熵的概念[3],并成功应用于体表肌电信号的特征提取与分类。对于滚动轴承振动信号,不同故障的振动信号的复杂性不同,因而其对应的模糊熵值也不同。因此,模糊熵可以对滚动轴承故障特征进行提取。但大量文献研究表明如果直接使用原始信号的模糊熵进行特征提取,无法对各故障模式实现有效区分。这是因为原始信号的模糊熵所提供的信息有限,不能反映轴承损伤情况的深层次信息,因而不足以对轴承的所有工况进行区分。同时这也是因为当滚动轴承出现故障时,信号中包含的故障信息往往都是以调制形式出现的,若直接对调制信号进行分析,不利于故障的诊断和识别。尤其是当故障处于早期状态或因故障导致的冲击信号不明显时,更难以从调制信号中获得有用的故障特征。包络分析作为信号解调的一种方法,它可以把与故障有关的信号从高频调制信号中解调出来,避免与其他低频干扰信号的混淆,从而有效提高诊断结果的可靠性。基于以上描述,提出了一种基于模糊熵和包络分析的故障特征提取新方法。这种方法的核心是首先使用包络分析把调制的振动信号进行解调,然后计算并比较这些包络信号的模糊熵,从而实现故障的特征提取。为了说明这种方法的有效性,本文采用凯斯西储大学(Case Western Reserve University,简称CWRU)电气实验室轴承数据中心提供的滚动轴承数据进行分析。研究发现,用包络信号的模糊熵提取信号特征,可以容易地将正常滚动轴承、内圈故障、外圈故障和滚子故障的信号区分。
引文