文摘

为了处理模糊性在滚动轴承的振动故障诊断,一个新的相关系数的简化neutrosophic集(社交网络)。滚动轴承的振动信号是通过一个加速度传感器,和形态学滤波器用于降低噪音的效果。振动信号应用小波包分解成八个subfrequency乐队,和与能源相关的特征向量特征值频率提取故障特征。社交网络的故障类型,建立了根据能量特征向量。最后,提出了两个社交网络的相关系数来诊断轴承故障类型。实验结果表明,该方法可以有效地诊断轴承故障。

1。介绍

滚动轴承是一种重要的机械设备转动部分,和它的质量决定设备的操作性能。有缺陷的轴承,可能会导致整个设备运行异常。必须有效地诊断轴承故障避免灾难性的机械故障和重大经济损失。

滚动轴承的振动信号通常显示一些错误的信息。旋转轴承发生故障时,可以生成不同的振动信号特征频率定期(1]。实际上,原始振动信号,许多有用的故障特性通常隐藏在噪声、以及故障症状和原因之间的关系非常复杂,所以很难作出准确和定量分析故障类型。近年来,许多研究已经用于滚动轴承的故障诊断。有两个关键问题诊断轴承故障振动信号。一个问题是如何从振动信号中提取故障特征。另一个是如何分析故障特性和识别故障类型根据这些特性。

为了从振动信号中提取故障特征的有用,许多技术,如时域、频域和时频域方法是广泛调查(2]。在时域方法,关键参数可以直接从原始振动信号中提取,如均方根(RMS),峰值系数、峰值、概率密度函数(3]。此外,时域信号可以转换为频域傅里叶变换。然而,傅里叶分析可能会导致信息丢失在转换的过程中,特别是对非平稳的信号。滚动轴承的振动通常是不稳定的,所以很难提取故障特征的准确、完整时,采用传统的只在时间和频率域分析。时频域的小波可以揭示更多的非平稳信号的完整信息4]。许多研究结果表明,小波包是一种有效的工具来从振动信号中提取特征对轴承故障诊断(5- - - - - -8]。

下一个关键问题是识别故障类型的轴承根据从振动信号中提取故障特征。为了解决这个问题,各种方法如专家系统(9,10),神经网络(3,11,12),和模糊方法(13- - - - - -15)已经开发了故障诊断在过去的几年里。模糊理论在轴承故障诊断,吸引了越来越多的关注,许多研究表明,模糊理论是一种有效的工具来诊断轴承故障。

模糊集(FSs)德(1965)提出的理论是处理不确定信息使用单一的隶属度函数16]。模糊集是扩展到直觉模糊集(仿)17)和区间值直觉模糊集(IVIFSs) [18)利用隶属度函数,non-membership程度函数,和程度的函数同时犹豫。fs,仿射,IVIFSs已经广泛应用于各个领域。然而,fs,仿射,IVIFSs不能处理某些类型的不确定性等不确定的信息在实际的物理问题和不一致的信息。此外,Smarandache [19)提出了neutrosophy理论从哲学的观点。Neutrosophic集(NSs)的特点是truth-membership函数,一个indeterminacy-membership函数,一个falsity-membership函数。NSs的功能从真正的价值标准或非标准的子集(19],NSs难以应用于工程领域。为实际工程应用中,neutrosophic集(NSs)可以被描述为简化neutrosophic集(社交网络)20.真正的单位时间的正常标准。社交网络的一个主要优点是执行分析问题的能力涉及不精确、不确定的,和不一致的数据。最近,社交网站已经被应用于许多不同的模糊问题,如医疗诊断问题[21,22],决策问题[20.,23),和图像处理24]。

滚动轴承的振动故障诊断,没有直接准确和定量故障振动特征和故障类型之间的关系。因此,故障诊断过程具有一定的模糊性。本文主要侧重于滚动轴承的故障诊断基于振动信号和社交网站。在这项工作中,形态滤波器和小波包分解应用于原始振动信号进行预处理,和每种故障类型的社交网络将建立根据能量特征向量。诊断故障类型将使用一个新的社交网络相关系数。

剩下的纸是组织如下。部分2给出了实验系统。部分3给出了数据预处理技术包括形态学和小波包分解开合操作。节4,一些社交网络的基本概念,介绍了一种新的相关系数首先,然后提出了基于社交网络的故障诊断方法。结论部分的工作进行了总结5。

2。实验装置

本研究进行了实验装置如图1。主轴是由交流电动机,和轴承的振动信号是通过加速度传感器和数据获取卡NI usb - 6251。振动信号处理由示波器使用电脑并显示。一些振动信号获得Jiliang大学的实验设备在中国(25),如图2。在这个实验中,类型的轴承NSK 6202深沟球轴承的规格表中列出1。

为了诊断轴承故障,使用四种类型的轴承:健康,外环的错,内心的种族的错,和球轴承故障。芯轴转速的驱动25 Hz。倪虚拟仪器信号表达将申请数据采集与采样频率10 KHz和0.2年代样品的时间。

振动脉冲故障存在于轴承时,会发生在一个特定的频率。从理论上讲,当轴承以不变的速度旋转时,故障频率可以通过以下计算(26]: 在哪里的直径是滚动的元素,节圆直径,轴的转速,滚动的元素的数量,,,代表外环故障的故障频率,内套的错,和球轴承的故障。

根据(1),我们可以计算出故障的频率赫兹,赫兹,赫兹在这个实验。

3所示。振动信号数据预处理

诊断过程的框架如图3。

轴承的原始振动信号与噪声通常骑。很难直接从原始振动信号中提取故障特征。为了消除强烈的噪音和检测轴承故障诊断的有效信号,数据处理算法是必要的。在这个实验中,使用形态学滤波器去除高频噪声从原始振动信号首先,然后应用小波包将信号分解成单独的频率。

3.1。形态滤波器

形态滤波是一种非线性时域信号处理和分析工具,它可以由几个形态学操作27]。基本形态运营商包括膨胀、腐蚀、开启,关闭。假设和一个结构元素中定义的离散信号吗和分别为,的四个基本操作符在,定义如下:

扩张

侵蚀

开放

关闭

形态开合过滤器如下:

在这个实验中,形态开合过滤器被用来消除强烈的噪音。

数据4- - - - - -6显示信号的滚动体轴承外环,内部种族,分别和球故障(25]。在这些数据,故障信号区分峰值特性的故障频率。结果在图4- - - - - -6表明形态学滤波器是一种有效的球轴承振动信号的去噪技术。

3.2。小波包分解

根据小波分解的结构,输入振动信号可以分解成低频和高频部分的每一个步骤。选择一个合适的水平层次结构取决于信号,经验,和实际需要4,7]。振动信号的小波包分解应用到八subfrequency乐队在实际应用2,6]。根据审查之前研究人员,在这个工作中,三层小波包分解是考虑轴承故障诊断,实验结果表明,可以有效地提取轴承故障特征分解的信号。

在这个实验中,轴承的振动信号预处理首先通过形态学滤波器,然后使用三层小波包分解。

假设是一个振动信号;和正交镜像滤波器,分别代表低通和高通小波滤波器。这些过滤器与尺度函数和小波函数满足的条件。然后,信号可以分解成一组高,低频组件由以下递推关系: 在哪里表示小波系数的th水平和部分波段。

三层小波包分解的图如图7。在图7,可以计算每个频带的频率间隔(,),采样频率。在这工作,kHz和= 625 Hz。表中给出的频率间隔2。

振动信号可以表示如下: 在哪里代表八subfrequency乐队是三层的小波系数和th subfrequency乐队。分解后,在每个subfrequency乐队可以被定义为能量 在哪里是th离散小波系数的幅值(),是它在每个subfrequency离散点数量。

滚动轴承的故障振动信号的小波包能量极大的影响,所以它是非常有用的诊断轴承故障提取能量特征值。在这个实验中,一种基于能量特征值的特征向量的每个频率可以构造如下:

此外,假设能量特征值的最大值在三级subfrequency乐队,然后可以归一化特征值如下:

通过上面的正常化,能量的振动信号的小波包能量特征值有界,然后归一化特征向量可以描述如下:

振动信号的归一化能量特征值在图所示8。

羞怯的类型轴承的故障特征值的小波包能量分布在个体subfrequency乐队的区别。根据大量的实验和数据比较,我们提取能量特征值的下界和上界的典型故障轴承,建立能量区间范围如表所示3,能量区间范围可以用来诊断滚动轴承的故障类型下一步。

4所示。滚动轴承的故障诊断基于社交网络

在本节中,我们简要介绍基本概念的简化neutrosophic集(社交网络),提出一种新的相关系数两个社交网络,这将需要在接下来的分析。然后,我们建立了故障轴承根据能量的社交网络功能。最后,我们目前滚动轴承的故障诊断方法根据社交网络的相关系数。

4.1。简化Neutrosophic集(社交网站)

定义1(见[19])。让是一个论域;然后,neutrosophic集(NS)被定义为 的功能,,代表一个truth-membership函数,indeterminacy-membership函数和falsity-membership元素的函数集分别与条件和。
上面一组neutrosophic (NS)的概念提出了从哲学的角度来看,需要从真正的价值标准或非标准的子集。很难适用在科学和工程领域。对于真正的应用程序,介绍了一套简化neutrosophic (SNS)由你们(20.以下定义)。

定义2(见[20.])。让是一个空间点(对象)与通用的元素用。一套简化neutrosophic (SNS)在特点是truth-membership函数,一个indeterminacy-membership函数,一个falsity-membership函数。对于每个点在,,,单例的小区间/子集在现实标准吗,这样。然后,一套简化neutrosophic (SNS)用 显然,一个简化的neutrosophic集(SNS)的子类neutrosophic组(NS)和满足的条件和。

4.2。相关系数为社交网络

相关系数是一个重要工具,它用于确定模糊集之间的关联度。因此,提出了一种新的相关系数的两个社交网络由以下定义。

定义3。假设有两个社交网络和在论域,。社交网络之间的相关系数定义如下: 象征“分钟”是最小的操作。

根据上述定义,社交网络的相关系数和满足以下属性:( ) 。( ) 。( ) 当且仅当。

如果我们考虑的权重、加权社交网络之间的相关系数和提出了如下: 在哪里和为。

4.3。轴承Neutrosophic集模型基于能量特征向量

滚动轴承的社交网络模型可以根据能量间隔8 subfrequency乐队如表所示3。

假设一组轴承故障,,一组能量特征向量,。在表3,让和 的特征值的下界和上界为分别;然后,滚动轴承的特征区间可以表示为

让和,因为和。如果,然后让。在这种情况下,集可以扩展到简化neutrosophic集(社交网络),可以写成 在哪里,,,,因为和。

根据neutrosophic集的定义,数字,,代表truth-membership indeterminacy-membership,分别和falsity-membership。neutrosophic套轴承故障类型如表所示4。在这里,,,,错,是健康的,外圈球的错,和轴承内座圈故障。

4.4。滚动轴承故障诊断使用相关系数

在本节中,我们应用社交网络的相关系数诊断滚动轴承故障。假设(滚动轴承故障和的)社交网络模型是一个由SNS测试滚动轴承信号表示。然后我们可以计算相关系数的值()使用(16)。最后,故障诊断的故障测试样本可以排名根据相关系数值,和适当的诊断轴承的故障推导出的

本文认为相同的值在每个频带能量的重要性;因此,权重()。

4.5。结果和讨论

为了演示新的诊断方法的有效性,我们现在提供两个例子轴承的故障诊断。让我们考虑两个测试轴承样本和形容neutrosophic集:

社交网络之间的相关系数值(),(由()可以计算17)如下:

故障测试的样品,最大相关系数,是第二个相关系数。根据相关系数的原理,故障诊断的顺序如下:

因此,我们可以确定测试轴承故障轴承是一种内心竞赛。通过实际观察,测试轴承内座圈满是划痕,因此诊断结果是正确的。

同样,故障测试的样本故障诊断的顺序如下:

首先通过实际检查,轴承的故障造成损害的外环,然后内心的种族。因此,诊断结果与实际情况一致。

120年的实验中,滚动轴承是用于测试样品。为了验证本文提出的故障诊断方法的有效性,我们首先提取轴承振动信号的能量特征值,然后诊断轴承故障使用社交网络的相关系数和支持向量机(SVM) [25),分别。滚动轴承的故障诊断结果如表所示5。通过对比诊断结果见表5,很明显,诊断准确率基于社交网络的相关系数远高于基于SVM的准确率。

为进一步比较,表6列出了诊断结果基于社交网络的相关系数,支持向量机,英国石油(BP)和GA-BP [28)方法,分别。显然,基于社交网络的相关系数的方法的平均准确率可以达到92.5%,这是高于其他方法的基础上的。

上面的比较表明,本文提出的方法是有效的轴承故障诊断。

5。结论

诊断滚动轴承的缺点,研制了一种新的故障诊断方法,结合社交网络的相关系数与小波包分解。进行了一系列的实验诊断滚动轴承故障,和实验结果表明,该方法可以有效地识别轴承故障。小说的故障诊断方法,存在两个关键问题:通过小波包分解提取故障特征的有用;建立轴承故障的准确的社交网络模型。在未来的工作中,这两个问题将进一步改善分析的基础上大量的实验数据,因为它们会影响故障诊断结果的准确性。

相互竞争的利益

作者宣称没有利益冲突有关的出版。