基于总体平均经验模式分解近似熵和混合PSO-BP算法的轴承故障诊断方法

摘要/Abstract

摘要： 针对机械系统的非平稳、非线性特性，提出了一种基于总体平均经验模式分解(EEMD)近似熵和混合PSO-BP算法的轴承故障诊断方法。EEMD能够解决EMD的端点效应，改善处理非线性信号时的局限性；引入随机权重和压缩因子来改进粒子群算法，优化BP神经网络的权值和阈值，解决BP网络的全局收敛问题。将信号经EEMD得到的IMF分量与近似熵结合，组成特征向量，再将构造的特征向量输入到PSO-BP神经网络中进行模式识别。实验及工程应用实例证明了该方法的有效性和优越性。

关键词: 轴承, 故障诊断, 总体平均经验模式分解, 近似熵, 混合粒子群神经网络

Abstract: According to the non-stationary and nonlinear characteristics of mechanical faults, a new method for bearing fault diagnosis was put forward based on EEMD approximate entropy and hybrid PSO-BP algorithm. EEMD might resolve the end effects of the EMD, improving the limitations of EMD when dealing with nonlinear signals; the random weights and the compression factors were introduced to improve particle swarm optimization(PSO) algorithm so as to optimize BP neural network, realizing fast convergence to optimal solution effectively of neural network. Signals were first decomposed by EEMD to get the instrinsic mode function(IMF) components, and to construct feature vectors together with the approximate entropy and the constructed feature vectors were put into the PSO-BP neural network for pattern recognition. The experiments and the engineering tests demonstrate the efficiency and superiority of this method.

Key words: bearing, fault diagnosis, ensemble empirical mode decomposition (MEMD), approximate entropy, hybrid particle swarm neural network

中图分类号:

TH17

张淑清, 黄文静, 胡永涛, 宿新爽, 陆超, 姜万录. 基于总体平均经验模式分解近似熵和混合PSO-BP算法的轴承故障诊断方法[J]. 中国机械工程.

Zhang Shuqing, Huang Wenjing, Hu Yongtao, Su Xinshuang, Lu Chao, Jiang Wanlu. Bearing Fault Diagnosis Method Based on EEMD Approximate Entropy and Hybrid PSO-BP Algorithm[J]. China Mechanical Engineering.

参考文献

[1]王太勇，何慧龙，王国锋，等. 基于经验模式分解和最小二乘支持矢量机的滚动轴承故障诊断[J]. 机械工程学报，2007，43(4)：88-92.

Wang Taiyong，He Huilong，Wang Guofeng，et al. Rolling Bearings Fault Diagnosis Based on Empirical Mode Decomposition and Least Square Support Vector Machine[J]. Journal of Mechanical Engineering，2007，43(4)：88-92.

[2]孟宗，李珊珊. 基于小波半软阈值和EMD的旋转机械故障诊断[J]. 中国机械工程，2013，24(10)：1279-1283.

Meng Zong，Li Shanshan. Research on Fault Diagnosis for Rotating Machinery Based on Semi-soft Wavelet Threshold and EMD[J]. China Mechanical Engineering，2013，24(10)：1279-1283.

[3]吴虎胜，吕建新，吴庐山，等. 基于EMD和SVM的柴油机气阀机构故障诊断[J]. 中国机械工程，2010，21(22)：2710-2714.

Wu Husheng，Lü Jianxin，Wu Lushan，et al. Fault Diagnosis for Diesel Valve Train Based on SVM and EMD[J]. China Mechanical Engineering，2010，21(22)：2710-2714.

[4]时培明，李庚，韩东颖. 基于改进EMD的旋转机械耦合故障诊断方法研究[J]. 中国机械工程，2013，24(17)：2367-2372.

Shi Peiming，Li Geng，Han Dongying. Study on Coupling Faults of Rotary Machinery Diagnosis Method Based on Improved EMD[J]. China Mechanical Engineering，2013，24(17)：2367-2372.

[5]Danlel P C，Jose A R. Identification of Dynamic Instabilities in Machining Process Using the Approximate Entropy Method[J]. International Journal of Machine Tool & Manufacture，2011，51：556-564.

[6]李胜，张培林，李兵，等. 量子BP神经网络在发动机故障诊断中的应用[J]. 中国机械工程，2014，25(16)：2159-2163.

Li Sheng，Zhang Peilin，Li Bing，et al. Application of Quantum BP Neural Network in Engine Fault Diagnosis[J]. China Mechanical Engineering，2014，25(16)：2159-2163.

[7]叶瑞召，李万红. 基于小波包分解和 BP 神经网络的轴承故障诊断[J]. 轴承，2012 (10)：53-56. Ye Ruizhao，Li Wanhong. Fault Diagnosis for Bearings Based on Wavelet Packet Decomposition and BP Neural Network[J]. Bearing，2012 (10)：53-56.

[8]孟栋，樊重俊，吴天魁. 混沌粒子群神经网络在非线性函数拟合中的应用研究[J]. 计算机与应用化学，2014，31(5)：567-570.

Meng Dong，Fan Chongjun，Wu Tiankui. Study on the Application of Chaotic Particle Swarm Neural Network in Nonlinear Function Fitting[J]. Computers and Applied Chemistry，2014，31(5): 567-570.

[9]刘涛，黄其柏. 基于EEMD和HT的轴流泵压力脉动特征信息提取[J]. 机电工程，2012(3)：278-281.

Liu Tao，Huang Qibai. Characteristic Information Extraction of Pressure Pulsation Signal in Axis-flow Pump Based on EEMD and HT[J]. Journal of Mechanical & Electrical Engineering，2012(3)：278-281.

[10]曹彪，吕小青，曾敏，等. 短路过渡电弧焊电流信号的近似熵分析[J]. 物理学报，2006，55(4)：1696-1704.

Cao Biao，Lü Xiaoqing，Zeng Min，et al. Approximate Entropy Analysis of Current Signal of Arc Welding Current in Short Circuit[J]. Acta Physica Sinica，55(4)：1696-1704.

[11]魏秀业，潘宏侠. 粒子群优化及智能故障诊断[M]. 北京：国防工业出版社，2010.

[12]Kennedy J. Particle Swarm Optimization[M]. New York：Springer，2010.

[13]The Case Western Reserve University Bearing Data Center Website. Bearing Data Center Seeded Fault Test Data[EB/OL]. [2007-11-27]. http:∥www.eecs.case.edu/laboratory/ bearing/download.htm.

[14]张淑清，张金敏，赵玉春，等. 基于混沌与模糊聚类的机械故障自动识别[J]. 机械工程学报，2011，47(19)：81-85.

Zhang Shuqing，Zhang Jinmin，Zhao Yuchun，et al. Research on Automatic Diagnosis Techniques of Machinery Fault Based on Chaos and Fuzzy Clustering Analysis[J]. Journal of Mechanical Engineering，2011，47(19)：81-85.

[1]	罗洁思, 于德介, 史美丽. 基于SVD和线调频小波路径追踪的转速波动齿轮箱故障诊断 [J]. J4, 201016, 21(16): 1947-1951.
[2]	胡超, 刘佐民. 基于材料匹配性的球轴承Heathcote黏-滑模型研究 [J]. J4, 201016, 21(16): 1969-1973.
[3]	李胜远, 郑龙席. 磁轴承激励下转子系统动力学特性[J]. 中国机械工程, 2021, 32(08): 901-907.
[4]	郑近德, 王兴龙, 潘海洋, 童靳于, 刘庆运. 基于自适应自相关谱峭度图的滚动轴承故障诊断方法[J]. 中国机械工程, 2021, 32(07): 778-785，792.
[5]	陈换过, 刘培君, 俞杭, 肖雪. 基于改进PCA-SOM的电静压伺服作动器油滤堵塞故障诊断[J]. 中国机械工程, 2021, 32(07): 799-805.
[6]	王瑞1；贾谦1,2；袁小阳1. 石墨水润滑动压推力轴承的起飞转速及磨损的量化研究[J]. 中国机械工程, 2021, 32(03): 269-274.
[7]	丁嘉鑫;王振亚;姚立纲;蔡永武. 广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断[J]. 中国机械工程, 2021, 32(02): 147-155.
[8]	闫岗1;袁小阳1;陈润霖2;贾谦1;金英泽1. 超导磁液推力轴承的结构设计及性能分析[J]. 中国机械工程, 2021, 32(01): 32-39.
[9]	杨路航1;李宝庆1;王平2,3;王健2,3;杨宇1. 基于概率输出弹性凸包的滚动轴承故障诊断方法[J]. 中国机械工程, 2021, 32(01): 40-46.
[10]	万书亭;彭勃;王晓龙. 基于双时域变换和稀疏编码收缩的滚动轴承早期故障诊断方法[J]. 中国机械工程, 2020, 31(23): 2829-2836.
[11]	孟宗;刘子涵;吕蒙. 基于改进奇异值分解滤波和谱峭度的滚动轴承故障诊断[J]. 中国机械工程, 2020, 31(20): 2420-2428.
[12]	曾大懿1;杨基宏2;邹益胜1;张继冬1;宋小欣1. 基于并行多通道卷积长短时记忆网络的轴承寿命预测方法[J]. 中国机械工程, 2020, 31(20): 2454-2462,2471.
[13]	王振亚;姚立纲. 广义精细复合多尺度样本熵与流形学习相结合的滚动轴承故障诊断方法[J]. 中国机械工程, 2020, 31(20): 2463-2471.
[14]	蔡艳平;范宇;陈万;张金明. 改进时频分析和特征融合在内燃机故障诊断中的应用[J]. 中国机械工程, 2020, 31(16): 1901-1911.
[15]	陈月, 邱明, 杜辉, 杨旭. 机器人用四点接触球轴承旋转精度影响因素[J]. 中国机械工程, 2020, 31(14): 1678-1685,1692.