基于层次多尺度散布熵的滚动轴承智能故障诊断

作者：鄢小安; 贾民平

来源：农业工程学报, 2021, 37(11): 67-75.

• 轴承
• 熵
• 故障诊断
• 特征提取
• 鸟群优化算法
• 支持矩阵机

针对全寿命周期内滚动轴承振动信号的特征提取与智能诊断问题,该研究提出一种基于层次多尺度散布熵的滚动轴承智能故障诊断方法。首先,在散布熵的基础上,结合层次分解和多尺度分析的理论思想,提出一种信号复杂性度量方法——层次多尺度散布熵(Hierarchical Multiscale Dispersion Entropy, HMDE);其次,为了避免HMDE按经验性选取参数的缺陷,借助鸟群优化算法(Bird Swarm Algorithm, BSA)自适应地确定其重要参数,并采用参数优化的HMDE提取原轴承振动信号中的多层次、多尺度故障特征;最后,将构建的多维度故障特征矩阵输入到支持矩阵机(Support Matrix Machine,SMM)中进行模型训练并完成轴承故障模式及程度的自动判别。通过2组轴承加速寿命试验对所提方法进行了有效性验证。通过与精细复合多尺度散布熵(RefinedCompositeMultiscaleDispersionEntropy,RCMDE)、广义复合多尺度排列熵(GeneralizedCompositeMultiscalePermutationEntropy,GCMPE)、广义精细复合多尺度样本熵(GeneralizedRefined Composite Multiscale Sample Entropy, GRCMSE)、层次模糊熵(Hierarchical Fuzzy Entropy, HFE)、层次样本熵(Hierarchical Sample Entropy, HSE)、修改的层次多尺度散布熵(Modified Hierarchical Multiscale Dispersion Entropy, MHMDE)和层次多尺度排列熵(Hierarchical Multiscale Permutation Entropy, HMPE)方法的识别精度对比,对于XJTU-SY轴承加速寿命试验,本文方法的平均识别精度分别提高了3.89、12.34、6.63、9.15、7.09、0.81和2.63个百分点。对于ABLT-1A轴承加速寿命试验,本文方法的平均识别精度分别提高了2.17、3.51、6.17、9.51、11.51、1.17和3.01个百分点。本文方法实现了全寿命周期内滚动轴承不同故障模式及程度的识别,与传统的基于多尺度熵或层次熵的故障诊断方法相比,能够获取更全面、更丰富的轴承故障特征信息,识别精度得到了较大的提升。本文研究可为全寿命周期内滚动轴承故障诊断提供参考。

• 单位
  南京林业大学; 东南大学; 电子工程学院