基于小波方差谱熵的轴承故障诊断方法.pdfVIP

第 25 卷 振动与冲击 Vol. 25 2007年12月 JOURNAL OF VIBRATION AND SHOCK ©2007 文章编号： 中图分类号:TM711 文献标识码: A 学科分类号: 470-40 基于小波方差谱熵的轴承故障诊断方法 陶新民,孙丽华,杜宝祥,徐勇 （哈尔滨工程大学信通学院、黑龙江省，哈尔滨市,150001 ） BEARINGS FAULT DIAGNOSIS BASED ON WAVELET VARIANCE SPECTRUM ENTROPY Tao Xin-min,Sun Li-hua Du Bao-xiang, Xu Yong （Communication Tech Institute of Hrbeu, Harbin 150001,Heilongjiang,China ） ABSTRACT: The new scheme for bearing fault diagnosis 提取故障信号的特征频率[1,2,3,4,5] 。这种方法的缺点 based on wavelet variance spectrum entropy is proposed by 是事先必须了解故障的特征频率，同时这种方法还 combining wavelet analysis with entropy theory. The signal 受到信噪比的影响。另一种方法是利用小波的局部 variance spectrum entropy in wavelet domain is used as fault 化特性进行故障信号的奇异点检测。这种方法事先 diagnosis characteristics. The detection and diagnosis scheme 假定故障信号会产生一定的突变信息，通过判断信 of bearing vibration faults are proposed and the selection 号是否具有奇异性来进行故障检测[6,7,8,9] 。由于不 method for wavelet base based on discrimination ability factor 同的故障可能会导致相同的信号突变，因此这种方 is also presented. The results show that the wavelet variance 法无法有效地进行故障诊断。另一种方法是基于小 spectrum entropy is particularly well adapted to describe 波包的故障诊断方法[11,12]，这种方法通过小波包分 bearings fault characteristics and fault diagnosis. The 解产生的系数作为特征进行故障检测。然而，由于 comparison with the method based on wavelet energy 小波包变换结果中包含了大量的小波分解信息和 spectrum entropy is experimented which demonstrates that the 数据，使神经网络等智能判别系统变得十分庞大。 proposed scheme outperforms efficiently other methods in 此外，上述几种常用的检测方法中都需要人工的干 terms of detection time and detection rate. 预或对特定工况的假设，无法有效地进行故障的智