文摘

本文提出一种改进的齿轮箱故障诊断方法通过整合互补的整体经验模态分解(CEEMD)排列熵(PE)。提出的方法识别错误出现在一个变速箱系统基于PE值计算从选定的固有模式函数(货币)的振动信号分解CEEMD。具体来说,CEEMD首先用于振动信号描述各种缺陷严重程度分解为一系列的货币。然后,过滤后的振动信号首先获得适当的选择,过滤信号之间的相关系数和每个IMF作为有用的基础货币的选择。随后,体育价值观的选择首先是作为输入特性,利用支持向量机(SVM)分类器特征的缺陷严重性变速箱。变速箱系统的案例研究表明提出的方法的有效性识别齿轮箱的缺点。

1。介绍

齿轮在机器可以被视为重要的组件或从一个轴旋转传输到另一个。他们的机器的故障可能会导致意想不到的故障系统,导致重大的经济损失,甚至人员伤亡(1,2]。由于结构缺损振动信号往往反映变速箱相关的动态特性变化,许多研究集中在瞬态振动信号的特征提取和故障识别的缺陷变速箱使用振动信号分析(3]。尽管如此,许多因素相关的结构性转变,摩擦,速度剪切,罢工影响vibration-oriented信号研究和减少缺陷诊断的有效性。因此,许多传统的线性方法可能不运行在动态变化的检测4,5]。

旨在避免传统技术的限制,排列熵(PE)是用来描述振动信号的故障诊断的目的。PE的熵只使用顺序信号特征,可以克服存在于信号的非线性失真。它已经被应用于各种应用程序。例如,排列熵是证明提供了一种有效的评估监测滚动轴承(5]。通过集成支持向量机(SVM)多尺度PE、滚动轴承的运行状态可以被识别(6,7]。另一项研究优化支持向量机相结合,集成经验模态分解,PE检测和分类电动机轴承故障(8]。体育也被证明的有效性检测动态变化在旋转机器比较与其他功能,如李雅普诺夫指数和分形维数(9]。此外,背景噪声存在于真实世界应用程序总是扰乱了故障诊断的结果。因此,进行振动信号的降噪是必要的体育方法之前执行。

经验模态分解(EMD)方法的自适应信号处理领域的时间频率分析,可以将信号分解成一组固有模式函数(货币)根据其特性(10,11]。EMD的方法可以应用在振动信号的预处理。例如,一个新颖的方法提取故障特征,结合AR模型和EMD算法已经应用于处理轴承振动信号(5]。然而,当使用EMD和间歇过程信号组件、信号不能被完全分解,因为模式混合现象的存在(12]。进一步发展与整体经验模态分解(EEMD)黄等人提出的EMD性能改进。EEMD变得更精确和有效的与原来的相比EMD分解的信号通过添加噪声的原始信号,不断计算IMF意味着[12]。尽管EEMD的方法有效地解决了mode-mixing的问题,需要很多时间来实现大量的合奏的意思。换句话说,算法的效率将会降低。为了解决这个问题,互补的方法EEMD (CEEMD)提出了13]。通过互补整合货币基金和正面和负面CEEMD加白噪声,剩余的噪声可以从白噪声和提取数据。CEEMD演示的方法类似EEMD的有效性,提高了计算效率。

通过充分利用PE和CEEMD特性的基础上,本文提出了一种混合方法来诊断齿轮箱故障。CEEMD是利用过滤信号的预处理和提取货币基金与过滤信号密切相关。随后,PE每个选择国际货币基金组织(IMF)将计算的价值。的体育价值选择首先是利用特征向量的分类支持向量机(SVM)是申请确定齿轮箱的缺陷。本文的其余部分安排如下。齿轮箱故障诊断方法的概述部分所示2。是在汽车变速器系统上进行实验验证部分3。最后但并非最不重要,最后一节提出了总结和评论。

2。理论框架

2.1。互补的集成经验模态分解

基于EEMD CEEMD开发。最初,EMD方法处理一个给定的信号成的形式(1通过递归消除上下包络的均值与最大和最小的信号14]: 在哪里指货币的数量,是指国际货币基金组织(IMF)的组件覆盖一定的频带,和是指信号的平均趋势残渣。EMD可以被认为是自适应局部分析方法处理非线性和非平稳的信号。然而,EMD分解通常接受的混合模式,它被定义为一个单一的国际货币基金组织(IMF)覆盖广泛不同的尺度或不同的国际货币基金组织(IMF)组件中存在的一个信号。

之后,黄等人提出了一个noise-guided统计方法解决模式混合问题,即集成经验模态分解。然而,额外的噪音的影响只能限制大量的系综平均计算,导致高计算负载。

互补的合奏模式分解,作为改善和噪声加强数据分析方法,减少了计算负担(13]。CEEMD的信号的过程见下面的步骤。

步骤1。一双高斯白噪声具有相同振幅被添加到。因此,两个信号,和生成的。

步骤2。分解和通过EMD的次数;然后指的是整体的国际货币基金组织(IMF)和指的是那些来自得到了。

步骤3。最后IMF的合奏和随着CEEMD分解结果的计算如下:

具体地说,一个模拟信号组成的,,作为一个实例。是一个高斯脉冲干扰信号,是500赫兹的频率的余弦信号,然后呢是一种趋势。图1说明了模拟信号的波形图2说明了通过CEEMD分解结果。

通过比较结果如图2信号波形图1,结果表明,没有混合模式。也就是说,CEEMD更适合信号的研究。

2.2。排列熵

体育是一个非线性动态参数,特征信号的复杂性。基于Takens-Maine的原则,时间序列的相空间,可以表示为 在哪里指的是嵌入维数,而是指时间的延迟。此外,包含在每一个采样点的数据可以按照增量

如果,原来的位置可以分为,。因此,矢量可以显示在一组符号(15,16] 在哪里和。是指符号排列所示数字符号。如果应用于指示每个符号的可能性分布序列和排列熵的时间序列,可以被认为是香农熵符号序列如下:

如果所有的符号序列出现的可能性分布的最大价值可以被描述为。因此,排列熵可以被标准化

值显示了时间序列的随机性水平。一个大的价值表明高时间序列的随机性。相反,一个小的价值是指时间序列更有规律的特点。

为了演示PE算法的有效性,样本在三种不同条件下齿轮箱的振动信号如图所示3和相应的单因素分析结果显示在图4。图4表明,缺陷严重程度的变速箱可以有效地认识到体育的价值。

2.3。故障诊断基于CEEMD和排列熵

在这项研究中,一个变速箱故障诊断方法已经开发使用CEEMD和PE、和图5显示了该方法的流程图。特别是,过程实现所提出的故障诊断方法如下。

步骤1。采样对齿轮箱振动信号测量是使用CEEMD分解。

步骤2。该产品计算使用(8),参数计算(9)。信号过滤的比较提出了阈值和参数(17]。换句话说,当,它可以保证的th IMF可以增强次数的平均值相比可以计算出基于前者呢货币基金。因此,以前的货币趋势的术语可以消除噪音和残留首先可以视为过滤信号: 在哪里指的是国际货币基金组织(IMF)的能量密度,指的意思国际货币基金组织(IMF),代表每个国际货币基金组织(IMF)的长度,表示th国际货币基金组织(IMF)的振幅,是指极端点的总数国际货币基金组织(IMF)。

步骤3。每个国际货币基金组织和过滤信号之间的相关系数计算了(10)。货币基金与过滤信号选择计算密切相关的体育价值(18]:

步骤4。体育价值观的选择首先计算来生成一个特征向量,可以利用训练支持向量机对齿轮箱运行状态的识别。

第5步。体育从测试齿轮箱振动信号特征向量提取和利用训练有素的支持向量机的输入。通过这种方式,可以实现分类的结果(19,20.]。

3所示。实验评价

从LC5T81类型获得的一系列齿轮箱故障信号传输被用来验证了提出方法的有效性。图中给出的实验测量的数据6。一个后退速度和五个前进速度可能是变速箱上的负载测试。振动信号采集以每秒3000个样本使用加速度计固定在齿轮箱的情况。第三速度的测试齿轮箱操作1600 rpm和啮合频率500赫兹。

收集到的振动信号的波形测试三个条件下齿轮箱图所示7。图7(一)显示了信号在正常条件下,数字7 (b)显示了信号光断层条件下,和图7 (c)显示的信号严重的故障状态。

图8说明了这些信号的分解首先和表1显示过滤信号之间的相关系数和每个货币基金。

从表中可以看出,第一,5货币相关系数都大于0.1。他们可以描述信号的主要特征,因此选择进行进一步分析。根据提出的故障诊断方法的主要步骤,这些货币的排列熵值计算表中列出2。

在这项实验中,120个特征向量共获得三种不同的情况。50%的特征向量是应用于分类器训练,其余用于故障分类。表3显示分类的结果。这表明可以有效地识别各种工作条件。在所有60组特征向量,57团体被正确分类,3组已经失败。总体分类精度达到95%。

为了比较,近似熵的值(ApEn)选择货币基金也计算并应用于支持向量机分类器。表4显示了分类的结果。它可以概括的方法实际上是有效区分齿轮箱的缺点。此外,该方法的有效性与EEMD-PE比较的方法。可以看出,这两种方法的分类非常相似。然而,开发方法的计算负载低于EEMD-PE方法。

进一步研究开发方法的有效性,10×10倍交叉验证过程采用与所选的120个样本。平均分类率的10×10倍交叉验证是94.82%。结果是接近的分类结果表3。

4所示。结论

本研究开发一个集成的方法通过结合PE算法与CEEMD诊断齿轮箱故障。CEEMD,齿轮箱振动信号可以分解为组较低的货币计算负载。然后体育方法可以有效地提取故障特征,从所选货币。没有数学模型和系统的故障机理的研究,这种开发方法可以直接识别齿轮箱故障严重程度。此外,CEEMD作为预处理步骤中,可以利用净化体育计算的信号,导致增加分类率实验数据(例如,95%)。设想,本研究中开发的方法可用于广泛应用领域的故障诊断。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

本文由中国江苏省自然科学基金(没有。BK2012739)和中国国家自然科学基金(没有。61101163也没有。51175080)。