Bearing fault diagnosis method based on MRE and EigenClass
-
摘要: 针对滚动轴承振动信号难以提取的问题，为实现故障特征准确分类目的。通过多尺度极差熵（MRE）和EigenClas融合，提出了一种MRE-EigenClass分类方法来诊断轴承故障模式。首先，MRE从不同状态下轴承的振动信号提取20个尺度的特征向量，最后将提取到的特征向量输入到EigenClass 分类器，得到分类结果。实验证明，提出的MRE与EigenClass算法能有效提取滚动轴承振动信号的特征，并且实现高精度分类。与其他故障识别的分类器相比，本方法具有更高的故障识别准确率，识别精度达到98.86%。Abstract: Aiming to extract the faint vibration signal from rolling bearing and classify extracted fault features, the paper fuses together multiscale range entropy (MRE) with EigenClas, and proposes a MRE-EigenClass method to diagnose bearing fault modes. Firstly, the MRE extracts the feature vectors with 20 scales from the vibration signals of bearings in different working states. Then, the extracted feature vectors are input into EigenClass classifier to obtain the final results. The experiments show that the proposed MRE-EigenClass algorithm can effectively extract the features of vibration signals and realize high-precision classification for rolling bearings. Compared with other fault classifiers, this method has the higher fault classification accuracy(98.86%).
-
Key words:
- multiscale range entropy /
- EigenClass classifier /
- fault diagnosis
-
表 1 不同状态的类标签
状态 故障尺寸/mm 标签 正常 0 1 滚子故障 0.177 8 2 滚子故障 0.533 4 3 内圈故障 0.177 8 4 内圈故障 0.533 4 5 外圈故障 0.177 8 6 外圈故障 0.533 4 7 
下载: 导出CSV
表 2 不同方法的分类结果
方法 参数设置 分类准确率/（%） MRE-EigenClass Kfold=10；k=6 98.86 MRE-KNN Kfold=10；k=6 94.57 MRE-SVM Kfold=10；Kernel=l 96 MRE-DA Kfold=10；Disc=6 97.42 MRE-DT Kfold=10；nSplit=6 94.85 MRE-RF Kfold=10；nBag=50 97.14
下载: 导出CSV
-
[1] 吴新忠, 张旭, 李博华, 等. 基于加权排列熵和DE-ELM的滚动轴承故障诊断[J]. 制造技术与机床, 2020(2): 127-132. [2] 雷亚国, 汤伟, 孔德同, 等. 基于传动机理分析的行星齿轮箱振动信号仿真及其故障诊断[J]. 机械工程学报, 2014, 50(17): 61-68. [3] 刘生政, 张琳, 曾祥辉, 等. 基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究[J]. 机电工程, 2020, 37(3): 241-246,252. [4] 陈东宁, 张运东, 姚成玉, 等. 基于FVMD多尺度排列熵和GK模糊聚类的故障诊断[J]. 机械工程学报, 2018, 54(14): 16-27. [5] 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. [6] 曹蔚, 苟臻元, 韩昭, 等. 基于GWO-TVF-EMD方法的行星齿轮箱齿面剥落故障诊断[J]. 航空动力学报,2021,36(11):2418-2429. [7] 樊家伟, 郭瑜, 伍星, 等. 基于LSTM神经网络和故障特征增强的行星齿轮箱故障诊断[J]. 振动与冲击, 2021, 40(20): 271-277. [8] 谷玉海, 朱腾腾, 饶文军, 等. 基于EMD二值化图像和CNN的滚动轴承故障诊断[J]. 振动. 测试与诊断, 2021, 41(1): 105-113,203. [9] 李善, 谭继文, 俞昆. 基于EEMD-GRNN网络的滚动轴承故障诊断试验研究[J]. 制造技术与机床, 2016(3): 55-60. doi: 10.3969/j.issn.1005-2402.2016.03.015 [10] Erkan U. A precise and stable machine learning algorithm: eigenvalue classification (EigenClass)[J]. Neural Computing and Applications, 2021, 33: 5381-5392. doi: 10.1007/s00521-020-05343-2 -
下载:
点击查看大图
图(5) / 表(2)
计量
- 文章访问数: 175
- HTML全文浏览量: 20
- PDF下载量: 65
- 被引次数: 0
