基于IMF熵的多传感器网络融合滚动轴承故障诊断方法研究.pdfVIP

第6期 组 合 机 床 与 自动 化 加 工 技 术 No．6 2015年6月 ModularMachineTool＆ AutomaticM anufacturingTechnique Jun．2015 文章编号 ：1001—2265(2015)06-0078—05 DOI：10．13462／j．enki．mmtamt．2015．06．022 基于 IMF熵的多传感器网络融合滚动轴承 故障诊断方法研究木 任学平 ，辛向志，庞 震，邢义通 ，王建国 (内蒙古科技大学机械工程学院，内蒙古 包头 014010) 摘要：经验模态分解(EmpiricalModeDecomposition，EMD)方法可使滚动轴承振动信号根据 自身尺度 自适应的分解为若干个固有模态分量(IntrinsicModeFunction，IMF)，信息熵能反映系统的不确定程 度 ，滚动轴承发生故障会导致信息熵发生变化，结合 EMD与信息熵，提出了EMD空间状态特征谱熵 和IMF奇异谱熵，将其作为概率神经网络的特征向量，构建多传感器系统的多个概率神经网络的初 级诊断网络。由于概率神经网络累加层输出结果为属于每一种模式的概率值，用概率神经网络的累 加层输 出结果构建 D—S证据理论的mass函数 ，通过 D．S证据理论进行决策级融合诊断。将该方法 用于滚动轴承故障模式分类，试验结果表 明该方法的可行性与有效性 。与单一传感器诊断相 比，提 高了故障诊断精度。 一 关键词：多传感器；网络融合；滚动轴承 中图分类号 ：TH16；TG506 文献标识码 ：A ResearchofRollingBearingFaultDiagnosisM ethodBasedonIMF Entropy andMulti．sensorNetworksFusion RENXue—ping，XINXiang—zhi，PANGZhen，XINGYi—tong，WANGJian-guo (SchoolofMechanicalEngineering，InnerMongoliaUniversityofScienceTechnology，BaotouInnerMon— golia014010，China) Abstract：A rolling bearingvibrationsignalcanbedecomposedinto anumberofintrinsicmodefunction (IMF)adaptivelyaccordingtoitsownscalewiththeempiricalmodedecomposition(EMD)method．The informationentropycanreflecttheuncertaintydegreeofthesystem ．Therollingbearingfailurewillchange theinfomr ationen~opy．EMD spacestatefeatureentropyandIMF singularspectrum enrtopyareproposed bycombiningEMD andinformationenrtopy．Inhtemulti—sensorsystem ，primarydiagnosisnetworkofmul— tipleprobabilisticneural networkswasconsrtuctedandthefeaturevectorofprobabilisticneuralnetworkis EM D spacestatefeatureenrtopyandIMF singularspectrum enrtopy．Becauseoutputofaccumulationlayer ofhteprobabilisticneuralnetworkareeachkin