留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于ALIF和TMFDE的滚动轴承故障诊断研究

赵家浩 罗娜 梁永文

赵家浩, 罗娜, 梁永文. 基于ALIF和TMFDE的滚动轴承故障诊断研究[J]. 制造技术与机床, 2023, (7): 9-15. doi: 10.19287/j.mtmt.1005-2402.2023.07.001
引用本文: 赵家浩, 罗娜, 梁永文. 基于ALIF和TMFDE的滚动轴承故障诊断研究[J]. 制造技术与机床, 2023, (7): 9-15. doi: 10.19287/j.mtmt.1005-2402.2023.07.001
ZHAO Jiahao, LUO Na, LIANG Yongwen. Research on fault diagnosis of rolling bearing based on ALIF and TMFDE[J]. Manufacturing Technology & Machine Tool, 2023, (7): 9-15. doi: 10.19287/j.mtmt.1005-2402.2023.07.001
Citation: ZHAO Jiahao, LUO Na, LIANG Yongwen. Research on fault diagnosis of rolling bearing based on ALIF and TMFDE[J]. Manufacturing Technology & Machine Tool, 2023, (7): 9-15. doi: 10.19287/j.mtmt.1005-2402.2023.07.001

基于ALIF和TMFDE的滚动轴承故障诊断研究

doi: 10.19287/j.mtmt.1005-2402.2023.07.001
详细信息
    作者简介:

    赵家浩,男,1984年生,硕士,讲师,研究方向为计算机应用和机械动力学,已发表论文1篇。E-mail:gesi204@163.com

    通讯作者:

    赵家浩,男,1984年生,硕士,讲师,研究方向为计算机应用和机械动力学,已发表论文1篇。E-mail:gesi204@163.com

  • 中图分类号: TH165

Research on fault diagnosis of rolling bearing based on ALIF and TMFDE

  • 摘要: 为了提高滚动轴承的故障识别精度,提出了一种基于自适应局部迭代滤波(ALIF)和时移多尺度波动散布熵(TMFDE)的故障诊断方法。首先,利用ALIF对滚动轴承振动信号进行分解,获得一组IMF分量。其次,为了获得更集成的IMF分量,基于能量法评估各IMF分量的重要性,将前3阶分量视为有效分量。接着,利用TMFDE量化有效分量中的特征信息,构建故障特征向量。最后,将故障特征输入至粒子群优化的极限学习机中进行故障识别。利用东南大学的滚动轴承数据对该方法进行了评估,结果表明该方法能够准确地识别故障的类型,与其他方法相比,该方法在数据量较少时仍然具有优异的稳定性。

     

  • 图  1  噪声强度为2的WGN的TMFDE和MFDE

    图  2  4种长度下TMFDE和MFDE的标准差差值

    图  3  旋转机械数据采集平台

    图  4  轴承振动信号的波形

    图  5  CMF样本的ALIF分解结果

    图  6  IMF分量的能量占比

    图  7  所提方法的分类结果

    图  8  5次分类的结果

    图  9  所提方法不同参数对应的分类准确率

    表  1  滚动轴承和齿轮箱故障类型介绍

    故障部位类型(简写)描述训练/测试
    样本
    标签
    滚动轴承滚动体(BF)滚动体出现裂纹40/401
    复合(CMF)内圈与外圈同时出现裂纹40/402
    正常(N)/40/403
    内圈(IRF)内圈出现裂纹40/404
    外圈(ORF)外圈出现裂纹40/405
    下载: 导出CSV

    表  2  不同特征提取方法的故障识别结果

    特征提取方法分类错误个数识别准确率/(%)
    TMFDE597.5
    TMDE995.5
    MFDE896
    MDE1592.5
    下载: 导出CSV

    表  3  不同方法与EMD相结合的准确率 (%)

    方法最大准确率最小准确率平均准确率
    TMFDE888386.4
    TMDE85.580.582.7
    MFDE827478.4
    MDE76.57173.7
    下载: 导出CSV
  • [1] Lei Y G, Lin J, He Z J, et al. A review on empirical mode decomposition in fault diagnosis of rotating machinery[J]. Mechanical Systems & Signal Processing, 2013, 35: 108-126.
    [2] Mogal S P, Lalwani D I. A brief review on fault diagnosis of rotating machineries[J]. Applied Mechanics & Materials, 2014, 541-542: 635-640.
    [3] 李永军, 马立元, 崔心瀚. 基于多尺度模糊熵的旋转机械故障诊断研究[J]. 现代制造工程, 2017(10): 146-150.
    [4] 曲全鹏, 曲海军, 张强. 基于VMD-MDE的柱塞泵磨损故障诊断研究[J]. 机电工程, 2021, 38(9): 1202-1206.
    [5] 王勉, 刘勇. 基于时移多尺度散布熵和SVM的滚动轴承故障诊断方法[J]. 机械设计与研究, 2021, 37(5): 83-87.
    [6] 张凡, 孙文磊, 王宏伟, 等. 改进蝙蝠算法优化支持向量机的故障诊断方法[J/OL]. 机械科学与技术: 1-9 [2022-06-17].
    [7] Azami H, Arnold S E, Sanei S, et al. Multiscale fluctuation-based dispersion entropy and its applications to neurological diseases[J]. IEEE Access, 2019, 7: 68718-68733. doi: 10.1109/ACCESS.2019.2918560
    [8] Wang Z Y, Li G S, Yao L G, et al. Data-driven fault diagnosis for wind turbines using modified multiscale fluctuation dispersion entropy and cosine pairwise-constrained supervised manifold mapping[J]. Knowledge-Based Systems, 2021, 228: 107276. doi: 10.1016/j.knosys.2021.107276
    [9] 苟先太, 李昌喜, 金炜东. VMD多尺度熵用于高速列车横向减振器故障诊断[J]. 振动. 测试与诊断, 2019, 39(2): 292-297.
    [10] 刘晓波. 基于ALIF和FWEO的滚动轴承故障特征提取方法[J]. 南昌航空大学学报:自然科学版, 2019, 33(3): 25-31,40.
    [11] 周永强, 卜文绍. 电机轴承故障的多尺度排列熵特征提取与GK识别[J]. 组合机床与自动化加工技术, 2021(4): 70-74.
    [12] 陈保家, 汪新波, 赵春华, 等. 基于自适应局部迭代滤波和能量算子解调的滚动轴承故障特征提取[J]. 南京理工大学学报, 2018, 42(4): 445-452.
    [13] 赵志炉, 李德忠, 戴勇峰, 等. ALIF-PE算法在水轮机压力脉动信号降噪中的应用[J]. 人民长江, 2020, 51(S2): 285-289.
    [14] 韩美东, 张金豹, 赵永强. ALIF-MMPE结合DAG-SVM的滚动轴承故障诊断[J]. 机械科学与技术, 2020, 39(9): 1358-1365.
    [15] Azami H, Escudero J. Amplitude and fluctuation based dispersion entropy[J]. Entropy, 2018, 20(3): 210. doi: 10.3390/e20030210
    [16] 姜万录, 赵亚鹏, 张淑清, 等. 精细复合多尺度波动散布熵在液压泵故障诊断中的应用[J]. 振动与冲击, 2022, 41(8): 7-16.
    [17] 张玉学, 潘宏侠. 基于LMD近似熵和PSO-ELM的齿轮箱故障诊断[J]. 机械传动, 2017, 41(8): 109-113.
    [18] 刘云斌, 钱俊, 潘曙明. 基于RCMDE与极限学习机的滚动轴承故障诊断[J]. 制造技术与机床, 2023(2): 123-126.
    [19] Zheng L K, He Y, Chen X H. Research on a fault diagnosis method for rolling bearing based on improved multiscale range entropy and hierarchical prototype[J]. Measurement Science and Technology, 2021, 32(9): 095003. doi: 10.1088/1361-6501/abfbaa
  • 加载中
图(9) / 表(3)
计量
  • 文章访问数:  125
  • HTML全文浏览量:  31
  • PDF下载量:  690
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-03-14
  • 录用日期:  2023-05-10
  • 网络出版日期:  2023-06-30

目录

    /

    返回文章
    返回