旋回破碎机的故障诊断基于快速多级熵变分模式分解

文摘

旋回破碎机是一种常用的矿山机械。由于沉重的工作量和复杂的工作环境,它是容易失败和低可靠性。为了解决这个问题,本文提出了一种故障诊断方法,基于熵快速多级VMD回转压碎机,用于快速、准确地找到可能的旋回破碎机的故障问题。这种方法主要是提取振动信号通过结合熵和快变分模态分解,以便分析振动信号的分量。其中,快速熵是用来快速确定模式的信号频谱和带宽的模式。提取的参数可以被转换成VMD的输入参数。VMD可以准确地提取模态分量的信号输入模式和相关参数的数量。由于模式之间的差异,使用相同的参数提取模式往往会导致不准确的结果。因此,提出了多级VMD的概念。不同的模式的参数是由熵快速决定的。 The modes in the signals are separated and extracted with different parameters so that different signal modes can be accurately extracted. In order to verify the accuracy of the method, this paper uses the data collected from the rotary crusher to test, and the results show that the proposed FE method can quickly and effectively extract the fault components in the vibration signal.

1。介绍

齿轮和滚动轴承广泛应用在各种旋转机械部分,他们是重要的结构承载传输和力量在旋转机械传动。因此,近年来,旋转部件的安全性和可靠性的研究一直高度关注,和相关的研究领域包括机械故障诊断、寿命预测和健康运行和维护(1]。在各种机械故障,机械故障造成的事故齿轮组件或滚动轴承占70%以上。因此,研究具有重要意义,找到齿轮组件的故障操作中存在的问题或滚动轴承在提高机械系统的安全性和可靠性(2]。有许多方法来研究旋转机械部件的故障。学术界中最广泛使用的方法是收集产生的振动信号组件下稳定工作条件。机械部件的故障条件评估通过分析振动信号的构成(3,4]。目前,主要有两种方法来分析振动信号:一是分析信号的时频信息信号的组件(5],另一种是将信号分解成不同的模态组件的分解算法(6,7]。其中,方法得到频带组件通过分析光谱包括快速峰度光谱提出因为安东尼(8和提出的快速熵方法Zhang et al。9]。信号模态分解也是一种常见的方法在故障诊断领域。例如,范使用的结合小波变换和相关向量机验证小波变换在信号分析中的作用10)和基于经验模态分解的改进算法用于滚动轴承故障诊断(11,12]。目前,最常用的变分模态分解和理想模式分解方法。有许多的应用变分模式分解。他等人结合变分模态分解方法和神经网络的智能诊断的风力涡轮机旋转的错13],赵等人提出了结合变分模态分解和信号频谱熵来确定旋转机械振动信号的弱故障分量的方法(14]。

在各种应用程序上面的方法有优势,但对于旋转机械的复杂工作条件,时频分析方法有许多特征参数,所以它往往是无法有效提取的主要故障特征信号(15]。变分法的模态分解,因为振动信号是一个复杂的组件,使用这种方法进行成分分析容易造成信号模式混叠的问题和模式underdecomposition或overdecomposition [16]。为了解决旋转机械的故障诊断问题,如矿山机械或高强度机械组装线,提出了一种基于快速多级VMD方法通过结合熵谱熵和变分模式分解。对于复杂的组件的振动信号,直接使用变分模态分解无法有效地提取信号中的各种故障组件(17]。快熵可以快速提取主成分信号的频谱,并提供计算参数为每个VMD的水平。多级VMD解决了单个参数不匹配的问题通过multiple-mode提取的信号。同时,多级VMD可以进一步提取弱信号组件的影响。提出快速多级VMD熵方法的特征提取效率高。准确的特性数据的优势。因此,首先,熵谱方法用于确定模态分量信号的VMD方法提取参数(18]。为了防止有效成分的损失,分解模态组件分离信号,提取出信号,剩下的再一次,直到分解终止参数计算的熵谱得到满足;因此,信号的有效成分分解(19信号组件)来解决这个问题,在复杂的条件下是不容易确定。为了进一步验证该方法的应用能力,需要提取的组件进行分类判断的能力,该方法在旋转机械的故障诊断20.]。模态组件可以被各种分类方法分类。常见的故障分类器方法包括SVM(支持向量机)线性分类器,数据驱动,卷积神经网络和决策树模型(21- - - - - -24]。在这篇文章中,决策树模型的分类方法,XGBoost,作为分类器。XGBoost具有识别速度快的特点和良好的分类性能的二维数据,因此它适用于本文模态组件的分类(25]。

在本文的第二部分,介绍了快速熵理论和变分模态分解。在第三部分,改进方法的原理结合快速熵和VMD详细介绍。在实验部分,验证了该方法的实际振动信号从实验平台,收集和方法进行了分析和总结的最后部分。

2。原则

本文提出的改进方法主要包括两种类型的振动信号分析方法,即变分模态分解(VMD)和快速熵谱(FE)。其中,变分模态分解方法是一种经典的信号分解迭代方法对振动信号分解成几个固有模式(26,快速熵谱方法用于确定信号模式通过信号频谱的数量(7]。这两种方法在这一节中详细描述。

2.1。变分模态分解

变分模式分解是一种自适应模式分解方法,它被广泛用于振动信号的模态分解。给定模式的数量,VMD可以获得最好的固有模式,通过迭代优化带中心频率。与传统的EMD相比,小波变换,和其他分析方法,VMD分解具有较高的效率和精度,这是一个非常重要的领域的信号分析方法。变分迭代模态分解提取振动模式是解决振动信号的变分函数:

信号可以通过叠加的模式:

在公式(1)和(2),模式的数量,是th模态分量分解后,的中心频率对应的模态分量,狄拉克函数,是卷积算子。

介绍了拉格朗日乘法操作符将约束变分问题转换为一个无约束变分问题:

的公式,介绍了二次惩罚项,可以用来减少噪声干扰的信号,然后交替方向乘法器迭代算法(第十一条)是用于优化重叠的乐队,和最优模式及其中心频率。

模式是优化迭代:

中心频率优化的迭代:

拉格朗日乘子的迭代过程如下:

在方程(6),噪声容忍度介绍了信号保真度。可变模态分解设置最大迭代时间和模式的输出条件给定的模式和二级惩罚项的数量,最后分解的信号固有模式,反映了振动信号的主要信息。

2.2。快速的熵

熵反映了信号的内部能量转换。信号频谱的影响组件可以根据熵。信封熵可以屏幕组件的信号频谱的影响,但其精度不高,在很大程度上受噪声影响实际的复杂的工作条件。快熵预测的变化影响组件的光谱。噪声的因素在一定程度上可以筛选出来。快熵谱法是一种改进的快速峰度频谱的方法。峰度光谱是一种计算工具用来检测信号的不稳定因素。峰度,作为一个参数反映的变化信号,可用于检测平稳振动信号中的异常的组件,但这种方法有不良影响的强烈的噪声。为了克服这一缺陷,峰态光谱的概念提出了克服的困难使用峰度来确定组件的强烈的噪声信号。频谱分为相等的尺度,直到信号频谱分为两个部分。 The frequency band of each mode is included to determine the modal component of the signal. Fast kurtosis spectrum is a method that combines the kurtosis spectrum with the FIR filter. Fast entropy is a method that divides the signal spectrum through the trend spectrum on the basis of the fast kurtosis spectrum, so as to more accurately divide the signal mode. The basic principle of fast entropy is as follows.

首先,短时傅里叶变换的信号频谱计算。频谱的信号通过傅里叶变换,得到关键函数通过离散化信号:

这一趋势的频谱信号计算:

后的熵谱法快,信号频谱划分的趋势,划分频谱的组件通过频率提取切片功能: 在哪里 , ,和观察时间,频率,观察和评价,比例因子 ,参数是一个常数,表示频率切片功能,共轭。frequency-sliced的时域小波变换可以表示为

当和取特殊值,频率片小波变换将转变为传统的短时傅里叶变换,这表明,该方法是可行的在广义范围内。

让 和 ;结果如下:

被定义为相对分辨率与观测频率和评估频率有关。用 ,(10)可以转化为以下形式:

是频率窗口的宽度小波频率。考虑的bandwidth-frequency比频率切片功能,频率分辨率的频率片设置为小波变换 。信号的频率分辨率设置 。一般来说, 。因此,可以通过调整吗 。如果满足 ,的分量重建原始信号可以由以下公式:

2.3。XGBoost

梯度增加决策树(XGBoost)是一种决策树方法可以实现快速分类的样本。XGBoost模型构建的过程如下:首先,分解得到的模态分量作为样本。

一个样本 ,预测结果如下:

决策树的预测结果,代表一个样本,特性类 ,和树的模型吗树。通过XGBoost培训,每棵树可以获得相应的权重值和树结构参数根据功能学习。除了树模型的重量通过训练,这种方法增加了重量的价值功能修改每棵树模型的结果,以提高模型的结果的准确性。

XGBoost目标函数的决策树 在哪里的损失函数模型树,用于降低预测值和真实值之间的误差和形式的基本树模型结构,然后呢是树模型的正则项,用于控制树模型的复杂性,使学习者可以尽可能避免过度拟合。

目标函数是解决。首先,损失函数扩展到二阶泰勒展开:

树结构的定义:

一棵树的复杂性的定义:

最终的目标函数如下:

最好的观点:

叶子节点的基础部门如下:

3所示。提出改进的方法

因为VMD的分解性能取决于参数的选择、模式和二次点球的选择因素分解结果有很大的影响。在VMD的先前的研究方法中,大多数学者改进VMD的性能主要体现在参数的优化。然而,在实际的信号,信号是不容易确定的模式由于存在噪声和环境噪声产生的机械系统。此外,光谱中不同模式的频带宽度不一致是由于不同模式的频谱特性的差异。目前,大部分的信号分解方法不注意到这个关键。因此,本文提出一种多级变分模态分解法(FE-MVMD)基于快速熵。通过使用快速熵,不同系列的VMD所需的参数得到不断适应相应的参数提取的不同模式,旨在进一步提高分解的影响。

提出改进方法的流程图如图1。

熵的计算方法,提出了快速多级变分模态分解方法如下。

首先,原始信号的模式是由这一趋势在快速熵谱计算方法,和最初的信号的频谱是通过短时傅里叶变换:

当信号是通过使用计算机处理,连续信号离散化:

这一趋势的频谱频谱计算:

这一趋势频谱的模态分量可以显示信号。信号的模态分量可以初步确定提取光谱的谱峰趋势,提供VMD的模态参数数量。合格的模式数量趋势光谱可以通过高通滤波器函数:

从图可以看出2对应的阈值过滤信号可以由快速熵,也就是说,高通滤波器的阈值。从图可以看出2所选阈值经过几个谱峰的趋势,和相应的程数可以作为模式中使用多级VMD的数量方法。

一组实验信号作为样本,和趋势信号的频谱如图2。

图2显示信号的光谱,光谱的谱趋势,高通滤波器快速得到熵的计算。光谱信号的傅里叶谱,光谱和趋势是用来确定可能的模态分量的频谱。趋势频谱的模态分量可以通过计算熵的快速筛选,提供模态参数KVMD的计算。

然后,VMD的另一个关键的输入参数,二次惩罚项 ,是确定的。通过分析信号的分解结果在不同的参数,它是发现的价值有关频带的中心频率大小和提取模态分量,和不同的价值观对应于不同的频带大小。因此,惩罚因子的大小决定了不同的复杂信号的频带可以正确提取。因此,有必要提取模态分量对应于不同的惩罚系数。频带组件的大小可以由切片功能快速熵方法,和相应的惩罚系数可以得到:

获得VMD的参数后,信号分解为模式。对应于不同频段、不同参数输入迭代,和VMD执行多次获得高精度的模式,这有利于进一步分析信号组件和发现故障。

4所示。实验和分析:旋转周期的破碎机故障诊断实验

旋回破碎机是一种旋转机械中常用破碎线和sand-making生活生活。缺点主要是由旋转零件,如齿轮和滚动轴承的缺点。如果旋转故障无法及时发现和消除,很容易导致安全事故。为了解决这个问题,有必要分析旋回破碎机的故障。摘要破碎机变速箱机制是用于数据采集、实验平台如图3。

四组不同类型的故障设置在这个实验中,齿轮故障,滚动轴承故障,复合的错,也没有错。在实验中使用的轴承型号是33116轴承和齿轮类型是2 tj06齿轮。实验中使用的采样频率为2048赫兹。图4显示了实验数据的时频图。

拟议中的FE-MVMD方法用于处理四种类型的数据,并分解结果如图5。

通过分解结果图5的能力提出FE-MVMD方法提取信号模式在复杂的条件下可以得到证实。其次,通过对比前后信号的频谱分解,它可以发现信号频谱的组件有效地提出。分解的结果,通过比较不同的模式中存在不同的缺点可以明显相比。基于不同的中心频率和频带的不同模式,可以判断信号组件。此外,由于使用快速熵作为参数测定方法,优化参数也有利于滤除信号中的噪声成分,从而提高FE-MVMD方法的提取结果的可靠性。

为了进一步验证该方法的性能,经验模态分解(EMD)和变分模态分解(VMD)是用来比较FE-MVMD的性能。在图6,分解与FE-MVMD VMD比较的结果。模式的数量VMD MVMD方法的方法是一致的,以突出该方法的性能。此外,为了验证提取模态的功能组件在故障诊断中,200个团体同一故障条件下的信号作为样本提取模态分量,和模态分量中提取不同的训练方法。XGBoost作为分类器,和经验模式分解和变分模式分解是用作比较来实现高精度结果;的优点FE-MVMD方法在故障诊断验证。

实验信号的传导机制所产生的振动信号旋转破碎机在实际工作条件下,和实验数据包含复杂的环境噪声。因此,实验验证使用这组信号可以说明该方法的抗噪性能。FE-MVMD和VMD的分解结果比较,可以发现,即使相同数量的模式作为输入,VMD方法无法完全独立模式的信号。通过图5,可以看出VMD的分解模式主要集中在低频部分,这表明VMD方法无法找到最好的乐队自适应,所以分解效果并不理想,FE-MVMD和EMD无法实现分离。比较FE-MVMD和WT方法的分解结果,我们可以看到WT方法很难有效地提取光谱中的组件。解决方案的结果进行了比较。EMD信号自适应分解成几个模式和残留。为了比较实际的效果,第一个K模式(K是参数采用的模态数量FE-MVMD)叠加并与FE-MVMD的结果。通过图6,观察到的模式通过EMD和FE-MVMD之间的差异相对较小,这表明EMD分解噪声电阻差和低效率。总之,FE-MVMD方法提取模式并不理想。的速度和精度比EMD和VMD算法。

为了验证的实际效果FE-MVMD在故障诊断模式,有必要使用提取模式培训测试来验证提取模式的分类效果。摘要XGBoost分类器是用于验证模态提取的影响。50组不同故障类型的振动信号样本作为训练集,提取和固有模式形成了歧视的基础上。为了验证该方法的分类性能和模态分类的有效性,250组测试集是用来提取模式。结果如表所示1。

为了验证XGBoost的准确性和有效性,射频(随机森林)添加分类算法分类提取的信号特征,验证了该方法的有效性(表2)。

分类结果表明,FE-MVMD的分类精度优于EMD和VMD在不同故障条件下,验证,FE-MVMD是一种信号分析方法适合于旋转机械故障诊断。实验结果还表明,FE-MVMD方法的分类精度降低时,模态组件是复杂的,所以有必要进行进一步的研究来改善FE-MVMD分解性能的方法。

5。结论

在这篇文章中,一个快速entropy-based多级变分模态分解(FE-MVMD)方法相结合提出了熵和快变分模态分解的基本原理。本文的旋回破碎机的旋转机械结构复杂工作条件作为研究对象,收集到的机械系统的振动信号作为分析样本,与其他模态提取方法相比,性能优越的FE-MVMD信号模态提取方法的验证。此外,提取模态组件作为样本进行进一步的故障分类测试。XGBoost作为分类器来验证该方法的先进性在旋转机械故障诊断。此外,通过实验过程,得到了一些结论:(1)实证VMD方法通常使用相同的参数来提取信号的分量,但实际提取效果并不理想。(2)通过模态提取的结果,发现噪声模态分量的提取的影响是非常重要的。因此,一个合理的信号去噪方法将有利于模态分量提取的影响。(3)基于过程提出MVMD更改参数的方法,提取方法适用于本地组件可以被认为,这可以大大提高故障诊断的效率。

数据可用性

使用的数据来支持本研究的发现没有提供,因为它们是保密的;因此,他们不能出版。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

Fengbiao吴邦国委员长和总裁马的构思和设计实验。广绘赵和Pengtao刘进行实验。Fengbiao吴和张千千写道。所有作者阅读和批准最终的手稿。

确认

这项工作是支持的重大特殊项目的山西省科学技术部门(批准号20181101017)。

引用

1. x, w·张,问:叮,j .问:太阳,“聪明的旋转机械故障诊断基于深度学习使用数据增加,”《智能制造没有,卷。31日。2、433 - 452年,2020页。视图:出版商的网站|谷歌学术搜索
2. w·邓x叮,j .徐郑胜耀Tang和b . s .史”振动分析的故障检测风力涡轮机drivetrains-a全面调查,“Sensors-Basel,21卷,不。5,2021。视图:出版商的网站|谷歌学术搜索
3. z . Wang j .周y Lei, w•杜”基于自适应最大的轴承故障诊断方法推导盲反褶积,”机械系统和信号处理,162卷,2021年。视图:出版商的网站|谷歌学术搜索
4. l . y . Tan郭、h·高和l .张“深耦合的联合分布适应网络:人工之间的智能故障诊断方法和实际损失,”IEEE仪表和测量卷,70年,页1 - 12,2021。视图:出版商的网站|谷歌学术搜索
5. 王z和n .杨”一种新的故障诊断方法基于自适应谱模式提取,”结构健康监测,文章ID 147592172098694, 2021。视图:出版商的网站|谷歌学术搜索
6. m . s . Al-Musaylh、k . Al-Daffaie和r·普拉萨德”天然气消费需求预测与经验基于小波变换的机器学习模型:一个案例研究中,“国际能源研究杂志》上,2021年。视图:出版商的网站|谷歌学术搜索
7. 黄c·g·j·h·林,j·m·丁黄和y”小说集成CEEMDAN轮对轴承故障诊断方法,定期细分矩阵,和圣言,“冲击和振动卷,2018篇文章ID 1382726, 18页,2018年。视图:出版商的网站|谷歌学术搜索
8. kurtogram的j·安东尼,“快速计算瞬态故障的检测,“机械系统和信号处理,21卷,不。1,第124 - 108页,2007。视图:出版商的网站|谷歌学术搜索
9. 张k . y . g . Xu z .问:辽、l . y .歌曲,陈平,“小说快entrogram及其在滚动轴承故障诊断中的应用,”机械系统和信号处理,154卷,2021年。视图:出版商的网站|谷歌学术搜索
10. s·w·范,“故障诊断轴承在不同负载条件下利用复合特性自适应降区分类器,”《振动工程与技术,5卷,不。3、269 - 276年,2017页。视图:谷歌学术搜索
11. j .张易,l .郭h .高h .鑫和美国、中“一个新的基于修改卷积神经网络的轴承故障诊断方法,”中国航空杂志,33卷,不。2、439 - 447年,2019页。视图:出版商的网站|谷歌学术搜索
12. z . j . Wang和w·h·杜”,改进的自适应MOMEDA故障诊断方法的研究和应用,“测量卷,140年,第75 - 63页,2019年。视图:出版商的网站|谷歌学术搜索
13. w . p .他b . l .郭b .问:陈,j . j .你们和e . Bechhoefer“数据驱动group-sparse特征提取方法对风力发电机传动系统的故障检测,”测量科学与技术没有,卷。31日。7日,2020年。视图:出版商的网站|谷歌学术搜索
14. s . t .赵k . Chang e . x, b . Li k·d·王,和吴问:问:“故障诊断基于声音的泵油机减速器texture-vibration熵特征和灰狼optimization-support向量机,”冲击和振动ID 2709384条,卷。2020年,13页,2020。视图:出版商的网站|谷歌学术搜索
15. j·k·丁、d·m·肖和x j .李“齿轮故障诊断基于遗传变异粒子群优化VMD和概率神经网络算法,”IEEE访问ID 18456条,卷。8日,2020年。视图:出版商的网站|谷歌学术搜索
16. l . s . Liu l .问:陈z l . Wang和d·t·刘”的行星齿轮箱早期故障检测声发射和改进的变分模态分解的基础上,“IEEE传感器杂志,21卷,不。2、1735 - 1745年,2021页。视图:出版商的网站|谷歌学术搜索
17. d·m·肖,j·k·丁,x j . Li和l . p .黄”齿轮故障诊断基于峰度准则VMD和SOM神经网络”应用科学至今,9卷,不。24日,2019年。视图:出版商的网站|谷歌学术搜索
18. y . m . h . c . Cheng, w . j . Lu和z,“基于VMD-SVD轴承故障诊断方法和模糊聚类,“模式识别与人工智能》国际期刊上,33卷,不。12日,2019年。视图:出版商的网站|谷歌学术搜索
19. x m .雪c . s . Li j . c .太阳,曹树群,l . y .刘”的滚动轴承故障诊断两步计划基于排列熵和随机森林,”Entropy-Switzerland,21卷,不。1,2019。视图:出版商的网站|谷歌学术搜索
20. 问:李和郑胜耀梁”,一种改进稀疏正则化方法对弱的旋转机械故障诊断的基于加速度信号,”IEEE传感器杂志,18卷,不。16,6693 - 6705年,2018页。视图:出版商的网站|谷歌学术搜索
21. k . Elangovan y . k . Tamilselvam m . r .度m . Iwase t . Nemoto和k .木”故障诊断的可重构crawling-rolling机器人基于支持向量机,”应用Sciences-Basel,7卷,不。10日,2017年。视图:出版商的网站|谷歌学术搜索
22. z . j . Wang w·l·赵w·h·杜et al .,“数据驱动的故障诊断方法基于侵蚀操作信号的转换成图像和卷积神经网络,”过程安全和环境保护,卷149,不。12日,第601 - 591页,2021年。视图:出版商的网站|谷歌学术搜索
23. m . Azamfar j·辛格,i Bravo-Imaz和j·李,“多传感器数据融合的齿轮箱故障诊断使用二维卷积神经网络和电机电流特征分析,“机械系统和信号处理,144卷,2020年。视图:出版商的网站|谷歌学术搜索
24. 美国赛义德,美国1月,y·d·李,和古,”故障诊断基于非常随机树在无线传感器网络中,“可靠性工程和系统安全,205卷,2021年。视图:出版商的网站|谷歌学术搜索
25. r·郭z .问:赵,t . Wang g·h·刘,j . y .赵和d . r .高,“退化状态识别基于ICEEMDAN活塞泵和XGBoost”应用Sciences-Basel,10卷,不。18日,2020年。视图:出版商的网站|谷歌学术搜索
26. k . Dragomiretskiy和d . Zosso变分模态分解”,IEEE信号处理,卷62,不。3、531 - 544年,2014页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021吴Fengbiao et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。