《万方数据-数字化期刊群》全文上网期刊
CNKI《中国学术期刊(网络版)》全文收录期刊
《中文科技期刊数据库》(维普网)全文收录期刊
超星期刊域出版平台、博看网全文收录期刊
日本科学技术振兴机构数据库收录

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

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

伍济钢 文港

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): 99-106 doi:  10.12126/see.2022102
引用本文: 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): 99-106 doi:  10.12126/see.2022102
WU J G, WEN G. Rolling bearing fault diagnosis method based on optimized multi-scale permutation entropy and convolutional neural network[J]. Spacecraft Environment Engineering, 2023, 40(1): 99-106 doi:  10.12126/see.2022102
Citation: WU J G, WEN G. Rolling bearing fault diagnosis method based on optimized multi-scale permutation entropy and convolutional neural network[J]. Spacecraft Environment Engineering, 2023, 40(1): 99-106 doi:  10.12126/see.2022102

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

doi: 10.12126/see.2022102
基金项目: 国家自然科学基金项目(编号:51775181)
详细信息
    作者简介:

    伍济钢(1978—),男,博士学位,教授,主要研究方向为机械动力学。E-mail: jwu@cvm.ac.cn

    通讯作者:

    文 港(1997—),男,硕士研究生,主要研究方向为故障诊断。E-mail: 1511861399@qq.com

  • 中图分类号: V231.92; TH133.33

Rolling bearing fault diagnosis method based on optimized multi-scale permutation entropy and convolutional neural network

  • 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。
  • 图  1  ICEEMDAN分解流程

    Figure  1.  Flow chart of ICEEMDAN decomposition

    图  2  CNN网络结构示意

    Figure  2.  Network structure of CNN

    图  3  原始信号时域图

    Figure  3.  Time domain diagram of original signal

    图  4  ICEEMDAN分解的IMF分量时域图

    Figure  4.  Time domain diagram of IMF component of ICEEMDAN decomposition

    图  5  PSO-MPE与MPE方法的提取效果3D呈现

    Figure  5.  3D rendering of extraction effect by PSO-MPE and MPE methods

    图  6  PSO-MPE与MPE方法的提取效果2D呈现

    Figure  6.  2D rendering of extraction effect by PSO-MPE and MPE methods

    图  7  本文方法的训练准确率

    Figure  7.  Train accuracy of the proposed method

    图  8  本文方法故障分析结果的T-SNE可视化

    Figure  8.  T-SNE visualization of fault analysis results of the proposed method

    表  1  各IMF分量与原始信号的相关系数

    Table  1.   Correlation coefficient of each IMF component and original signal

    IMF1IMF2IMF3IMF4IMF5IMF6
    0.5150.6170.5770.3240.2490.185
    IMF7IMF8IMF9IMF10IMF11IMF12
    0.0090.0040.0010.0020.0030.013
    下载: 导出CSV

    表  2  PSO寻优的MPE参数

    Table  2.   MPE parameters of PSO optimization

    故障
    编号
    故障类型MPE参数
    smt
    105内圈故障954
    130外圈故障1672
    118保持架故障775
    97正常985
    下载: 导出CSV

    表  3  几种故障诊断方法测试结果对比

    Table  3.   Comparison of test results of several fault diagnosis methods

    分类方法轴承状态测试样本数分类结果分类
    准确率/%
    内圈故障保持架故障外圈故障正常
    ICEEMDAN-PSO-MPE-CNN内圈故障8080000100
    保持架故障8008000
    外圈故障8000800
    正常8000080
    ICEEMDAN-PSO-MPE-SVM内圈故障808000098.13
    保持架故障8008000
    外圈故障8000800
    正常8006074
    ICEEMDAN-MPE-SVM内圈故障808000096.88
    保持架故障8007820
    外圈故障8008720
    正常8000080
    MPE-SVM内圈故障808000075.00
    保持架故障80043370
    外圈故障80043370
    正常8000080
    CEEMD-SVM内圈故障807701257.81
    保持架故障80043370
    外圈故障80043370
    正常8019151828
    VMD-SVM内圈故障808000059.06
    保持架故障80138410
    外圈故障80138410
    正常8012162230
    下载: 导出CSV

    表  4  三种序列预测方法的效率对比

    Table  4.   Efficiency comparison of three sequence prediction methods

    分类方法检测准确率/
    %
    网络参数量训练时间/
    (ms·step-1)
    测试时间/
    s
    ICEEMDAN-PSO-MPE-CNN10088862425.64
    ICEEMDAN-PSO-MPE-RNN10025 2702749.71
    ICEEMDAN-PSO-MPE-Transformer1002 609 6682635.14
    下载: 导出CSV
  • [1] AI Y T, GUAN J Y, FEI C W, et al. Fusion information entropy method of rolling bearing fault diagnosis based on n-dimensional characteristic parameter distance[J]. Mechanical Systems & Signal Processing, 2017(88): 123-136
    [2] 肖茂华, 周爽, 黄天逸, 等. 参数优化VMD-MPE和PSO-CS-Elman神经网络在滚动轴承故障诊断中的应用研究[J/OL]. 振动工程学报: 1-14[2022-11-02]. http://kns.cnki.net/kcms/detail/32.1349.TB.20220922.1830.004.html

    XIAO M H, ZHOU S, HUANG T Y, et al. Rolling bearing fault diagnosis based on parameter optimized VMD-MPE and PSO-CS-Elman neural network[J/OL]. Journal of Vibration Engineering: 1-14[2022-11-02]. http://kns.cnki.net/kcms/detail/32.1349.TB.20220922.1830.004.html
    [3] 王妮妮, 马萍, 张宏立, 等. 基于多尺度深度卷积网络特征融合的滚动轴承故障诊断[J]. 太阳能学报, 2022, 43(4): 351-358

    WANG N N, MA P, ZHANG H L, et al. Fault diagnosis of rolling bearing based on feature fusion of multi-scale deep convolutional network[J]. Acta Energiae Solaris Sinica, 2022, 43(4): 351-358
    [4] HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non- stationary time series analysis[J]. Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903-995 doi:  10.1098/rspa.1998.0193
    [5] 胡茑庆, 陈徽鹏, 程哲, 等. 基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法[J]. 机械工程学 报, 2019, 55(7): 9-18 doi:  10.3901/JME.2019.07.009

    HU N Q, CHEN H P, CHENG Z, et al. Fault diagnosis for planetary gearbox based on EMD and deep convolutional neural networks[J]. Journal of Mechanical Engineering, 2019, 55(7): 9-18 doi:  10.3901/JME.2019.07.009
    [6] WU Z H W, HUANG N E. Ensemble empirical mode decomposition: a noise-assisted data analysis method[J]. Advances in Adaptive Data Analysis, 2009, 1(1): 1-41 doi:  10.1142/S1793536909000047
    [7] 朱渔, 李丹, 李晓明, 等. 基于EEMD和BLSTM算法的齿轮泵行星轮典型故障诊断[J]. 机械设计与研究, 2022, 38(4): 198-201

    ZHU Y, LI D, LI X M, et al. Typical fault diagnosis of gear pump planetary wheel based on EEMD and BLSTM[J]. Machine Design and Research, 2022, 38(4): 198-201
    [8] 田晶, 王英杰, 王志, 等. 基于EEMD与空域相关降噪的滚动轴承故障诊断方法[J]. 仪器仪表学报, 2018, 39(7): 144-151 doi:  10.19650/j.cnki.cjsi.J1803316

    TIAN J, WANG Y J, WANG Z, et al. Fault diagnosis for rolling bearing based on EEMD and spatial correlation denoising[J]. Chinese Journal of Scientific Instrument, 2018, 39(7): 144-151 doi:  10.19650/j.cnki.cjsi.J1803316
    [9] TORRES M E, COLOMINAS M A, SCHLOTTHAUER G, et al. A complete ensemble empirical mode decomposition with adaptive noise[C]//2011 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Prague, 2011: 4144-4147
    [10] 肖俊青, 金江涛, 岳敏楠, 等. 改进CEEMDAN算法与分形融合的深度学习轴承故障分析[J]. 动力工程学报, 2022, 42(6): 522-529

    XIAO J Q, JIN J T, YUE M N, et al. Bearing fault analysis of deep learning based on improved CEEMDAN algorithm and fractal fusion[J]. Journal of Chinese Society of Power Engineering, 2022, 42(6): 522-529
    [11] 刘起超, 周云龙, 陈聪. 基于CEEMDAN和概率神经网络的起伏振动气液两相流型识别[J]. 仪器仪表学报, 2021, 42(10): 84-93 doi:  10.19650/j.cnki.cjsi.J2107839

    LIU Q C, ZHOU Y L, CHEN C. Flow pattern identification of fluctuating vibration gas liquid two phase flow based on CEEMDAN and probabilistic neural network[J]. Chinese Journal of Scientific Instrument, 2021, 42(10): 84-93 doi:  10.19650/j.cnki.cjsi.J2107839
    [12] COLOMINAS M A, SCHLOTTHAUER G, TORRES M E. Improved complete ensemble EMD: a suitable tool for biomedical signal processing[J]. Biomedical Signal Processing and Control, 2014, 14: 19-29
    [13] 管一臣, 童攀, 冯志鹏. 基于ICEEMDAN方法和频率解调的行星齿轮箱故障电流信号特征分析[J]. 振动与冲击, 2019, 38(24): 41-47 doi:  10.13465/j.cnki.jvs.2019.24.006

    GUAN Y C, TONG P, FENG Z P. Planetary gearbox fault diagnosis via current signature analysis based on ICEEMDAN and frequency demodulation[J]. Journal of Vibration and Shock, 2019, 38(24): 41-47 doi:  10.13465/j.cnki.jvs.2019.24.006
    [14] 张伟, 李军霞, 陈维望. 基于蝙蝠算法优化VMD参数的滚动轴承复合故障分离方法[J]. 振动与冲击, 2022, 41(20): 133-141 doi:  10.13465/j.cnki.jvs.2022.20.017

    ZHANG W, LI J X, CHEN W W. A compound fault feature separation method of rolling bearings based on VMD optimized by the bat algorithm[J]. Journal of Vibration and Shock, 2022, 41(20): 133-141 doi:  10.13465/j.cnki.jvs.2022.20.017
    [15] 曹洁, 张玉林, 王进花, 等. 基于VMD和SVPSO-BP的滚动轴承故障诊断[J]. 太阳能学报, 2022, 43(9): 294-301

    CAO J, ZHANG Y L, WANG J H, et al. Fault diagnosis of rolling bearing based on VMD and SVPSO-BP[J]. Acta Energiae Solaris Sinica, 2022, 43(9): 294-301
    [16] 赵小强, 罗维兰. 改进卷积Lenet-5神经网络的轴承故障诊断方法[J]. 电子测量与仪器报, 2022, 36(6): 113-125

    ZHAO X Q, LUO W L. Improved convolutional Lenet-5 neural network for bearing fault diagnosis[J]. Journal of Electronic Measurement and Instrumentation, 2022, 36(6): 113-125
    [17] AZIZ W, ARIF M. Multiscale permutation entropy of physiological time series[C]//Proceeding of IEEE International Multi-topic Conference, INMIC. Karachi, Pakistan, 2005. doi:  10.1109/INMIC.2005.334494
    [18] SMITH W A, RANDALL R B. Rolling element bearing diagnostics using the Case Western Reserve University data: a benchmark study[J]. Mechanical Systems and Signal Processing, 2015, 64: 100-131
    [19] 郑近德, 程军圣, 杨宇. 多尺度排列熵及其在滚动轴承故障诊断中的应用[J]. 中国机械工程, 2013, 24(19): 2641-2646 doi:  10.3969/j.issn.1004-132X.2013.19.017

    ZHENG J D, CHEN J S, YANG Y. Multi-scale permutation entropy and its applications to rolling bearing fault diagnosis[J]. China Mechanical Engineering, 2013, 24(19): 2641-2646 doi:  10.3969/j.issn.1004-132X.2013.19.017
  • [1] 齐爱玲, 马森哲.  基于通道注意特征融合的轴承故障诊断方法 . 航天器环境工程, 2024, 41(1): 115-122. doi: 10.12126/see.2023101
    [2] 周嘉明, 董龙雷, 赵建平, 丁镇军, 王潇屹.  基于概率神经网络的航天结构响应映射预示方法 . 航天器环境工程, 2023, 40(4): 392-399. doi: 10.12126/see.2023070
    [3] 刘洋洋, 韩潇, 张鹏嵩, 沈平单, 曹海林.  一种用于提高构件损伤边缘成像精度的方法 . 航天器环境工程, 2023, 40(3): 301-308. doi: 10.12126/see.2023004
    [4] 彭瑾坤, 武文华, 顾乃建, 胡奇.  基于CNN的卫星内部结构频域响应间接测量方法 . 航天器环境工程, 2023, 40(4): 400-407. doi: 10.12126/see.2023067
    [5] 刘云帆, 林亮行, 马国政, 孙建芳, 苏峰华, 郭伟玲, 朱丽娜, 王海斗.  基于CNN和LSTM的航天用涂层型自润滑关节轴承寿命预测及可靠性评估 . 航天器环境工程, 2023, 40(5): 531-540. doi: 10.12126/see.2023012
    [6] 张潇, 刘沐阳.  基于集成学习方法的机电作动器故障诊断框架 . 航天器环境工程, 2023, 40(5): 559-566. doi: 10.12126/see.2023113
    [7] 范军红, 朱云飞, 王文彪, 鲍官军, 姜利祥.  基于前馈神经网络的柔性连续臂建模与仿真 . 航天器环境工程, 2022, 39(2): 133-139. doi: 10.12126/see.2022.02.003
    [8] 刘大禹, 徐二宝.  数据驱动的卫星关键部件剩余寿命预测模型 . 航天器环境工程, 2022, 39(2): 148-152. doi: 10.12126/see.2022.02.005
    [9] 张筱娴, 林士峰, 张旭, 林宝军, 蒋桂忠.  基于改进粒子群算法的红外灯阵自动优化设计 . 航天器环境工程, 2022, 39(5): 501-508. doi: 10.12126/see.2022.05.009
    [10] 黄首清, 代巍, 姚泽民, 张禹森, 黄小凯, 刘守文.  两种工程化的航天器用滚动轴承加速寿命试验方法 . 航天器环境工程, 2021, 38(4): 413-419. doi: 10.12126/see.2021.04.006
    [11] 马健, 刘柱, 石育榕, 罗冰显, 郑锋.  基于太阳黑子群数据的多模态太阳耀斑预报模型 . 航天器环境工程, 2021, 38(3): 256-262. doi: 10.12126/see.2021.03.004
    [12] 赵宇凯, 徐高威, 刘敏.  基于VGG16迁移学习的轴承故障诊断方法 . 航天器环境工程, 2020, 37(5): 446-451. doi: 10.12126/see.2020.05.005
    [13] 陈彬强, 何昱超, 姚斌, 王栋, 贺王鹏.  航天器传动部件振动数据稀疏多分类智能故障诊断 . 航天器环境工程, 2018, 35(4): 359-364. doi: 10.12126/see.2018.04.009
    [14] 秦玉灵1, 韩增尧2, 邹元杰1, 王建民3基于粒子群优化算法的整星有限元模型修正方法 . 航天器环境工程, 2015, 32(3): 243-246. doi: 10.12126/see.2015.03.003
    [15] 谢一村, 樊世超, 杨艳静.  应用经验模态分解的箱型结构裂纹诊断方法 . 航天器环境工程, 2015, 32(5): 489-495. doi: 10.12126/see.2015.05.006
    [16] 安若铭, 高阳.  基于分层神经网络的航天器故障诊断技术 . 航天器环境工程, 2013, 30(2): 203-208.
    [17] 张 森, 于登云, 王九龙.  非迭代动态多故障诊断方法研究 . 航天器环境工程, 2011, 28(6): 562-567.
    [18] 王婉秋, 杨 松.  航天器动力学环境试验故障诊断专家系统 . 航天器环境工程, 2008, 25(1): 36-40.
    [19] 焦 捷.  基于贝叶斯网络的飞机变流器故障诊断 决策系统的设计与实现 . 航天器环境工程, 2007, 24(2): 121-124.
    [20] 航天器热控系统故障诊断策略 . 航天器环境工程, 2003, 20(3): 44-47.
  • 加载中
图(8) / 表ll (4)
计量
  • PDF下载量:  17
  • 文章访问数:  85
  • HTML全文浏览量:  18
文章相关
  • 通讯作者:  文港, 1511861399@qq.com
  • 中图分类号:  V231.92; TH133.33
  • 收稿日期:  2022-10-10
  • 修回日期:  2023-01-27
  • 网络出版日期:  2023-02-22
  • 刊出日期:  2023-02-25

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

doi: 10.12126/see.2022102
    基金项目:  国家自然科学基金项目(编号:51775181)
    作者简介:

    伍济钢(1978—),男,博士学位,教授,主要研究方向为机械动力学。E-mail: jwu@cvm.ac.cn

    通讯作者: 文 港(1997—),男,硕士研究生,主要研究方向为故障诊断。E-mail: 1511861399@qq.com
  • 中图分类号: V231.92; TH133.33

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。

English Abstract

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): 99-106 doi:  10.12126/see.2022102
引用本文: 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): 99-106 doi:  10.12126/see.2022102
WU J G, WEN G. Rolling bearing fault diagnosis method based on optimized multi-scale permutation entropy and convolutional neural network[J]. Spacecraft Environment Engineering, 2023, 40(1): 99-106 doi:  10.12126/see.2022102
Citation: WU J G, WEN G. Rolling bearing fault diagnosis method based on optimized multi-scale permutation entropy and convolutional neural network[J]. Spacecraft Environment Engineering, 2023, 40(1): 99-106 doi:  10.12126/see.2022102
    • 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(BLSTM)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(complete ensemble empirical mode decomposition with adaptive noise, 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(back propagation neural network, 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,本文提出基于优化多尺度排列熵(multi-scale permutation entropy, 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。

    • 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;β1βk分别为第1次和第k次分解信号时的期望信噪比;X1nXkn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阶和k阶模态分量;M(•)为信号的局部均值;r1rk分别为第1次和第k次分解信号产生的残差信号;I1Ik分别为第1次和第k次分解信号产生的IMF分量;ω(n)为均值为0的高斯白噪声;σ为两临近IMF之间的标准差,作为迭代结束判据。

      图  1  ICEEMDAN分解流程

      Figure 1.  Flow chart of ICEEMDAN decomposition

    • 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

      $$ {y}^{s}\left(j\right)=\frac{1}{s}\sum\limits _{i=\left(j-1\right)s+1}^{js}x\left(i\right)\text{,} $$ (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

      $$ {\mathit{Y}}^{s}\left(l\right)=\left\{{y}^{s}\left(l\right),{y}^{s}\left(l+1\right),{\text{…}} {,y}^{s}\left(l+t\left(m-l\right)\right)\right\}\text{;} $$ (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,

      $$ {H}_{P}\left(m\right)={\text{-}}\sum\limits_{v=1}^{V}{P}_{v}\mathrm{ln}{P}_{v}\text{,}V{\text{≤}} m!\text{;} $$ (3)
      $$ {H}_{P}=\frac{{H}_{P}\left(m\right)}{\mathrm{ln}\left(m!\right)}。 $$ (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。

    • 与传统的SVM方法的线性分类方法不同,CNN因其特有的卷积操作、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1×10-3,最小学习率1×10-8,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。

      图  2  CNN网络结构示意

      Figure 2.  Network structure of CNN

    • 以美国凯斯西储大学开放轴承数据库样本[18]中12 Hz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

      图  3  原始信号时域图

      Figure 3.  Time domain diagram of original signal

      图  4  ICEEMDAN分解的IMF分量时域图

      Figure 4.  Time domain diagram of IMF component of ICEEMDAN decomposition

      $$ {\mathrm{cor}}_{xy} = \frac{\sum\limits _{i=1}^{m}[E({x}_{i}{y}_{i})-E({x}_{i})E({y}_{i})]}{\sqrt{\sum\limits _{i=1}^{m}[E({x}_{i}^{2})-{E}^{2}({x}_{i})]}\times \sqrt{\sum\limits _{i=1}^{m}[E({y}_{i}^{2})-{E}^{2}({y}_{i})]}} $$ (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。

      表 1  各IMF分量与原始信号的相关系数

      Table 1.  Correlation coefficient of each IMF component and original signal

      IMF1IMF2IMF3IMF4IMF5IMF6
      0.5150.6170.5770.3240.2490.185
      IMF7IMF8IMF9IMF10IMF11IMF12
      0.0090.0040.0010.0020.0030.013
    • 以凯斯西储大学开放轴承数据库样本[18]中12 Hz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 2  PSO寻优的MPE参数

      Table 2.  MPE parameters of PSO optimization

      故障
      编号
      故障类型MPE参数
      smt
      105内圈故障954
      130外圈故障1672
      118保持架故障775
      97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图6所示,从3D图和2D图都能够看出,经过PSO优化后不同故障之间的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提取到的信号特征区分更明显,比单纯MPE方法的特征提取效果更好。

      图  5  PSO-MPE与MPE方法的提取效果3D呈现

      Figure 5.  3D rendering of extraction effect by PSO-MPE and MPE methods

      图  6  PSO-MPE与MPE方法的提取效果2D呈现

      Figure 6.  2D rendering of extraction effect by PSO-MPE and MPE methods

    • 本文使用的实验计算分析平台为戴尔Precision5820系列服务器,操作系统为Ubuntu 18.04LTS,显卡为RTX3060Ti×2,CPU为i9-10920X,显存16 GByte×2,深度学习框架搭建为Keras。

      实验数据选自凯斯西储大学开放轴承数据库样本,总共960条,其中480条为训练数据集,160条为验证数据集,320条为测试数据集。

    • 用本文的ICEEMDAN-PSO-MPE-CNN方法训练的准确率如图7所示,可以看出,在20多次迭代后,训练和验证的分类准确率逼近100%并处于收敛状态。

      图  7  本文方法的训练准确率

      Figure 7.  Train accuracy of the proposed method

      对本文方法的故障分析结果进行T-SNE可视化,具体如图8所示,图中不同颜色代表着不同故障种类降维后的结果,在通过ICEEMDAN-PSO-MPE-CNN分类后,相同颜色即相同故障会聚集,而不同故障会明显分开。可以看出不同故障类别之间有着明显的区分界限,这一结果直观地证明了该方法优秀的故障分类能力。

      图  8  本文方法故障分析结果的T-SNE可视化

      Figure 8.  T-SNE visualization of fault analysis results of the proposed method

    • 以测试集的数据为对象,进行纵向对比实验,将本文构建的ICEEMDAN-PSO-MPE-CNN方法分别和ICEEMDAN-PSO-MPE-SVM、ICEEMDAN-MPE-SVM、MPE-SVM方法进行对比,结果如表3所示。通过分类结果正确识别的故障数据总数与测试样本总数的比值计算分类准确率,并以此作为不同方法的性能对比指标。

      表 3  几种故障诊断方法测试结果对比

      Table 3.  Comparison of test results of several fault diagnosis methods

      分类方法轴承状态测试样本数分类结果分类
      准确率/%
      内圈故障保持架故障外圈故障正常
      ICEEMDAN-PSO-MPE-CNN内圈故障8080000100
      保持架故障8008000
      外圈故障8000800
      正常8000080
      ICEEMDAN-PSO-MPE-SVM内圈故障808000098.13
      保持架故障8008000
      外圈故障8000800
      正常8006074
      ICEEMDAN-MPE-SVM内圈故障808000096.88
      保持架故障8007820
      外圈故障8008720
      正常8000080
      MPE-SVM内圈故障808000075.00
      保持架故障80043370
      外圈故障80043370
      正常8000080
      CEEMD-SVM内圈故障807701257.81
      保持架故障80043370
      外圈故障80043370
      正常8019151828
      VMD-SVM内圈故障808000059.06
      保持架故障80138410
      外圈故障80138410
      正常8012162230

      表3中可知,ICEEMDAN-MPE-SVM的准确率比MPE-SVM的高出21.88个百分点,证明通过ICEEMDAN分解重构后的信号使得分类的效果获得了极大的提升。ICEEMDAN-PSO-MPE-SVM的准确率比ICEEMDAN-MPE-SVM的高出1.25个百分点,表明PSO对MPE的参数优化能够使得提取到的不同故障特征区分度更大。ICEEMDAN-PSO-MPE-CNN的准确率比ICEEMDAN-PSO-MPE-SVM的高出1.87个百分点,说明CNN相对SVM有着更强的分类能力,达到了100%的分类准确率。综上,最终获得的ICEEMDAN-PSO-MPE-CNN方法相对最初的MPE-SVM方法分类准确率提高了25个百分点,证明了本文改进方法的可行性。

      再以测试集的数据为对象,进行横向对比实验,将本文构建的ICEEMDAN-PSO-MPE-CNN方法分别和CEEMD-SVM、VMD-SVM方法进行对比,结果同见表3。从表中可以看到,ICEEMDAN-PSO-MPE-CNN方法相对CEEMD-SVM和VMD-SVM方法的分类准确率分别提高42.19和40.94个百分点,证明了本文方法相对一些经典滚动轴承故障诊断方法的优越性。表3显示,MPE-SVM、CEEMD-SVM和VMD-SVM在识别分类外圈故障和保持架故障时出现了相互识别错误的结果,说明这些方法没能同时完成分解降噪和特征提取的工作,在数据提取后这2种故障类别的数据依然存在严重的非线性分布,故通过非线性数据处理能力较差的SVM难以实现很好的分类识别。

      为证明用CNN作为序列预测方法的合理性,将ICEEMDAN-PSO-MPE-CNN同ICEEMDAN-PSO-MPE-RNN和ICEEMDAN-PSO-MPE-Transformer进行对比,结果如表4所示。从表中可知,应用CNN、RNN、Transformer作为序列预测的方法都能获得100%的检测准确率,这一定程度上也证明了PSO-MPE特征提取方法的优越性。但是,对比参数量,CNN相较于后两者分别少了16384和2600782;对比训练时间,CNN相较于后两者分别缩短3 ms/step和2 ms/step;对比测试时间,CNN相较于后两者分别缩短24.07 s和9.50 s。可见虽然应用CNN、RNN、Transformer对于本文选取的案例都能够获得100%的检测准确率,但是CNN方法能够在参数量更少的情况下实现更高效率的训练和检测。

      表 4  三种序列预测方法的效率对比

      Table 4.  Efficiency comparison of three sequence prediction methods

      分类方法检测准确率/
      %
      网络参数量训练时间/
      (ms·step-1)
      测试时间/
      s
      ICEEMDAN-PSO-MPE-CNN10088862425.64
      ICEEMDAN-PSO-MPE-RNN10025 2702749.71
      ICEEMDAN-PSO-MPE-Transformer1002 609 6682635.14

      本文方法得到的故障预测精度大幅提升的主要原因是:ICEEMDAN分解信号减少了信号中的不相关噪声信号,使得重构后的信号更容易进行特征提取;PSO优化后的MPE能够更好地把握信号中的多尺度特征,并对关键特征进行提取;通过非线性分类能力强的CNN能够完成高准确率、高效率的故障诊断。

    • 本文针对滚动轴承振动信号的特征信号微弱、信号非线性及多尺度特征难提取的问题,提出了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。首先通过改进的CEEMDAN将滚动轴承原始信号分解成包含各类模态特征的IMF,并进行相关性计算后再进行信号重构,以解决信号非线性和特征微弱的问题;其次提出利用多尺度排列熵提取信号特征的方法,并通过PSO对MPE进行参数优化;最后通过CNN深度学习的方法对提取出来的特征进行分类。将本文方法与经典滚动轴承故障诊断方法分别进行纵向和横向的对比表明,本文方法具有更佳的分类准确率和更高效率,能够满足滚动轴承故障诊断对准确率的要求,具有较大的实际应用价值。而且,由于该方法有效实现了原始振动信号的降噪和非线性多尺度特征提取的过程,对于振动信号含噪声明显且包含多尺度特征的齿轮箱和航空发动机转子同样适用,有较大的应用前景。

参考文献 (19)

目录

    /

    返回文章
    返回