基于emd-mpe与hmm的滚动轴承故障诊断 fault diagnosis of rolling bearing based on emd-mpe and hmm.pdfVIP

第12期 组合机床与 自动化加工技术 No.12 2016 年12 月 Modular Machine Tool Automatic Manufacturing Technique Dec. 2016 文章编号:1001-2265(2016)12-0076-04　 　 　 　 DOI:10.13462/ j.cnki.mmtamt.2016.12.021 基于 EMD-MPE与HMM 的滚动轴承故障诊断∗ 贺　 彬,刘　 泉 (北京信息科技大学机电工程学院,北京　 100192) 摘要:针对故障轴承的特征难以提取以及状态识别困难的问题,提出了基于经验模态分解(EMD)-多 尺度排列熵(MPE)与隐马尔科夫模型(HMM)的滚动轴承故障识别方法。 首先,运用EMD滤波降噪 原理对滚动轴承振动信号进行降噪,而后将已降噪的信号进行多尺度排列熵分析并提取不同尺度下 排列熵的较大值作为信号特征。 最后,将特征信号向量输入已训练好的HMM模型进行故障类型判 别。 并与支持向量机(SVM)进行比较研究。 实验结果表明,基于EMD-MPE 与HMM 的滚动轴承故 障诊断方法对滚动轴承的故障状态能够进行有效地识别。 关键词:滚动轴承;故障诊断;经验模态分解;多尺度排列熵;隐马尔科夫模型 中图分类号:TH117;TG506　 　 　 文献标识码:A Fault Diagnosis of Rolling Bearing Based on EMD-MPE and HMM HE Bin,LIU Quan (School of Mechanic and Electric Engineering,Beijing Information Science Technology University,Beijing 100192,China) Abstract:Aiming at the faulty signal of rolling bearing being featured and the fault states being classified difficultly,themethodoffaultdiagnosisforrollingbearingbasedonEMD-MPEandHMMisappliedtothis paper. Firstly,thevibration signalisdecomposedintovariousvaluesofpermutation entropy (PE)basedon multi scaling factor by MPE after EMD denoising. It’snecessary to extract the larger values corresponding to the scaling factor asthe feature vectors. Finally,the feature vectors are input into the trained HMM for recognition. TheexperimentalresultsshowthatthemethodofEMD-MPEandHMMissuperiortothemeth- od of EMD-MPE and SVM,andit can identify the fault statesofrollingbearingaccurately andeffectively. Key words:rolling bearing;fault diagnosis;EMD;MPE;HMM 0　 引言 是将非线性信号分解为平稳信号,这样的“转换”难免 [5] 有一定的局限性