Rotor fault diagnosis method of singular value entropy of Volterra model based on VMD
-
摘要: 针对转子故障信号的非平稳性以及敏感故障特征无法有效提取的问题，将变分模态分解(variational mode decomposition，VMD)的Volterra模型和奇异值熵相结合，提出一种故障诊断方法。对影响VMD分解准确性的参数选取方法进行了深入研究，给出了相关问题的解决策略。首先，对不同工况下转子实测信号进行VMD分解，利用能量熵增量选取对故障特征敏感的固有模态函数(intrinsic mode function，IMF)进行相空间重构，以建立Volterra自适应预测模型，将模型参数作为初始特征向量矩阵。然后，对初始特征向量进行奇异值分解以获取奇异值熵和奇异值特征向量矩阵，用于描述转子的故障特征。最后，采用模糊C均值(fuzzy c-means，FCM)算法对转子工作状态和故障类型进行识别。试验结果表明，所提方法可有效实现转子故障的特征提取及类型识别。通过同经集合经验模态分解(ensemble empirical mode decomposition，EEMD)相比，证明了该方法具有更有效的故障特征提取性能，是一种可行的方法。
-
关键词:
- 转子 /
- 故障诊断 /
- 变分模态分解 /
- Volterra模型 /
- 奇异值熵
Abstract: Aiming at the non-stationarity of rotor fault signal and the inability to effectively extract sensitive fault features, a fault diagnosis method was proposed by combining the Volterra model of variational mode decomposition (VMD) and singular value entropy. The parameter selection methods affecting the accuracy of VMD decomposition were deeply studied, and the solutions to the related problems were given. Firstly, the measured rotor signals under different working conditions were decomposed by VMD, and the intrinsic mode function (IMF) sensitive to fault characteristics was selected by using the increment of energy entropy for phase space reconstruction, so as to establish the Volterra adaptive prediction model, and the model parameters were used as the initial eigenvector matrix. Then, the initial eigenvector was decomposed by singular value decomposition to obtain singular value entropy and singular value eigenvector matrix, which were used to describe the fault characteristics of rotor. Finally, the fuzzy C-means (FCM) algorithm was used to identify the rotor working state and fault type. The experimental results show that the proposed method can effectively realize the feature extraction and type recognition of rotor fault. Compared with ensemble empirical mode decomposition (EEMD), it is proved that this method has more effective fault feature extraction performance and is a feasible method.-
Key words:
- rotor /
- fault diagnosis /
- variational mode decomposition /
- Volterra model /
- singular value entropy
-
表 1 不同K值对应的各IMF分量中心频率
预设尺度 中心频率/Hz IMF1 IMF2 IMF3 IMF4 IMF5 IMF6 K=2 97 657 - - - - K=3 94 360 682 - - - K=4 95 323 516 712 - - K=5 94 299 421 664 833 - K=6 83 267 352 493 694 836 
下载: 导出CSV
表 2 不对中故障信号各IMF分量的能量熵增量
IMF分量 Δqi IMF1 0.561 9 IMF2 0.483 3 IMF3 0.200 3 IMF4 0.005 4 IMF5 0.001 5
下载: 导出CSV
表 3 不同状态下转子振动信号的Volterra模型奇异值熵
正常状态 不对中 不平衡 轴承座松动 动静碰摩 1.124 2 0.943 0 0.902 4 0.970 6 0.872 9
下载: 导出CSV
表 4 不同采样频率下基于VMD的Volterra模型奇异值熵
采样频率/Hz 正常状态 不对中 不平衡 轴承座松动 动静碰摩 900 1.115 8 0.943 3 0.898 2 0.972 7 0.869 1 1 800 1.093 4 0.946 7 0.904 1 0.969 4 0.878 9 2 700 1.089 1 0.951 4 0.907 6 0.976 2 0.873 7
下载: 导出CSV
表 5 VMD处理后得到的初始聚类中心及部分检测样本
转子状态 样本 奇异值特征向量 p1/P p2/P p3/P H 正常状态 聚类中心 0.537 9 0.710 6 0.468 7 1.084 6 样本Ⅰ 0.519 0 0.709 2 0.477 2 1.083 3 样本Ⅱ 0.547 1 0.702 1 0.455 9 1.082 8 不对中 聚类中心 0.265 6 0.907 9 0.340 2 0.941 1 样本Ⅰ 0.242 2 0.911 3 0.333 0 0.930 7 样本Ⅱ 0.269 5 0.907 5 0.322 4 0.942 9 不平衡 聚类中心 0.241 4 0.276 3 0.929 9 0.903 8 样本Ⅰ 0.236 6 0.276 9 0.931 3 0.896 0 样本Ⅱ 0.240 2 0.286 1 0.927 6 0.904 1 轴承座松动 聚类中心 0.326 4 0.891 1 0.315 1 0.972 4 样本Ⅰ 0.329 5 0.893 2 0.312 4 0.967 1 样本Ⅱ 0.324 2 0.890 1 0.317 8 0.970 2 动静碰摩 聚类中心 0.283 4 0.937 3 0.207 1 0.873 2 样本Ⅰ 0.266 3 0.937 7 0.223 2 0.879 3 样本Ⅱ 0.277 8 0.937 1 0.211 3 0.877 5
下载: 导出CSV
-
[1] 黄志坚. 机械设备振动故障监测与诊断[M]. 北京: 化学工业出版社, 2017. [2] 毛仲强, 王立辉, 段礼祥, 等. 基于EMD奇异值熵和GASVM的转子系统故障诊断方法[J]. 化工自动化及仪表, 2016, 43(6): 604-609. https://www.cnki.com.cn/Article/CJFDTOTAL-HGZD201606011.htm [3] Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceeding of the Royal Society of London-Series A: Mathematica, Physical and Engineering Sciences, 1998, 454: 903-995. doi: 10.1098/rspa.1998.0193 [4] 孙嘉兵, 李志光. 基于相对小波能量与灰色相似关联度的转子系统故障诊断[J]. 工具技术, 2020, 54(8): 92-95. https://www.cnki.com.cn/Article/CJFDTOTAL-GJJS202008023.htm [5] 王雷飞, 段松松, 高博, 等. 结合复合小波包变化及频谱校正的机械转子碰摩故障诊断方法[J]. 汽车零部件, 2020(2): 19-22. [6] 金志浩, 于宝刚, 杨挣鑫, 等. 基于小波分析-最小二乘支持向量机的转子碰摩故障诊断[J]. 沈阳化工大学学报, 2019, 33(3): 251-256, 288. https://www.cnki.com.cn/Article/CJFDTOTAL-SYHY201903012.htm [7] 周玉平, 高山, 陈磊, 等. 全矢谱在滑动轴承转子系统裂纹中的应用[J]. 机械设计与制造, 2020(12): 15-18. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYZ202012005.htm [8] 童靳于, 郑近德, 潘海洋, 等. 极点加权模态分解及其再故障诊断中的应用[J]. 噪声与振动控制, 2021, 41(2): 93-99. https://www.cnki.com.cn/Article/CJFDTOTAL-ZSZK202102016.htm [9] 游子跃, 王宁, 李明明, 等. 基于EEMD和BP神经网络的风机齿轮箱故障诊断方法[J]. 东北电力大学学报, 2015, 35(1): 64-72. https://www.cnki.com.cn/Article/CJFDTOTAL-DBDL201501012.htm [10] Dragomiretskiy K, Zosso D. Variational mode decomposition[J]. IEEE Tran on Signal Processing, 2014, 62(3): 531-544. [11] 于德介, 程军圣, 杨宇. 基于EMD和AR模型的滚动轴承故障诊断方法[J]. 振动工程学报, 2004, 17(3): 332-335. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDGC200403015.htm [12] 宁宁, 张骏, 秦文娟. 基于EMMD和AR奇异值熵的故障特征提取方法研究[J]. 测控技术, 2008, 27(9): 83-85. https://www.cnki.com.cn/Article/CJFDTOTAL-IKJS200809028.htm [13] 杨永峰, 吴亚锋. 经验模态分解在振动分析中的应用[M]. 北京: 国防工业出版社, 2013. [14] 张超, 陈建军, 杨立东, 等. 奇异值熵和支持向量机的齿轮故障诊断[J]. 振动、测试与诊断, 2011, 31(5): 600-604. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDCS201105015.htm [15] 张键. 机械故障诊断技术[M]. 北京: 机械工业出版社, 2008. [16] 姜万录, 卢传奇, 朱勇. 基于HHT和模糊C均值聚类的轴向柱塞泵故障识别[J]. 吉林大学学报: 工学版, 2015, 42(2): 429-436. https://www.cnki.com.cn/Article/CJFDTOTAL-JLGY201502014.htm [17] 李卫国, 许文文, 王旭光. 基于VMD能量比重的有源配电网故障选线方法[J]. 东北电力大学学报, 2019, 39(5): 23-33. https://www.cnki.com.cn/Article/CJFDTOTAL-DBDL201905005.htm [18] 张梅军, 唐建, 何晓晖. EEMD方法及其在机械故障诊断中的应用[M]. 北京: 国防工业出版社, 2015. -
下载:
点击查看大图
图(6) / 表(5)
计量
- 文章访问数: 29
- HTML全文浏览量: 10
- PDF下载量: 9
- 被引次数: 0
