基于SVD和熵优化频带熵滚动轴承故障诊断研究.docVIP

基于SVD和熵优化频带熵滚动轴承故障诊断研究 　　摘要： 针对在奇异值分解（Singular Value Decomposition， SVD）中，随机噪声对各阶的贡献几乎相等，导致单一SVD降噪效果不理想的问题，提出了基于SVD和频带熵（Frequency Band Entropy， FBE）相结合的轴承故障特征提取方法。针对基于FBE的带通滤波器的阶数和带宽需经验确定的问题，提出了基于信息熵最小值原则的参数优化方法。首先，对原始振动信号在相空间重构Hankel矩阵并利用SVD进行降噪处理，采用奇异值相对变化率来确定模型的阶次；然后，对降噪后的信号进行基于FBE的带通滤波，并采用基于信息熵最小值原则的优化方法确定带通滤波器的阶数和带宽。最后，对滤波信号进行包络谱分析，提取轴承故障特征频率，并用峭度指标证明了带通滤波器的有效性。通过数值仿真和实际轴承故障数据分析，证明了该方法提取轴承故障特征频率的有效性。 　　关键词： 故障诊断； 滚动轴承； 奇异值分解； 频带熵； 带通滤波 　　中?D分类号： TH165+.3； TN911.7文献标志码： A文章编号： 1004-4523（2018）02-0358-07 　　DOI：10.16385/ki.issn.1004-4523.2018.02.021 　　引言 　　滚动轴承是旋转机械的重要元件，其故障是造成旋转机械故障的重要原因之一。因此，对轴承的状态监测与故障诊断是机械设备故障诊断的研究热点[1]。 　　当滚动轴承发生故障时，其振动信号包含了大量的运行状态信息，表现为非平稳性和多分量性的调制信号，故障信号中大量的突变以及短期的丛集成分也包含在其中，特别在故障早期，由于调制源弱，故障信号微弱，并且受周围设备、环境的噪声干扰，导致故障特征频率难以提取、识别[2-3]。因此，如何提取出故障轴承的故障特征频率，对保障机械设备的正常运行具有重要意义[4]。 　　奇异值分解技术在故障诊断领域已有大量成果的应用，冷永刚等[5]提出了SVD分量包络检测方法，成功应用于轴承故障检测。王树青等[6]提出了基于奇异值相对变化率的模型定阶方法。B Yang等[7]将稀疏表示和位移不变K-SVD相结合应用于风力发电机的轴承故障诊断。Golafshan R等[8]将SVD和Hankel矩阵成功应用于滚动轴承，并实现故障检测。针对单独的SVD降噪效果往往不佳，张晓涛等[9]将奇异值分解与快速谱峭度算法相结合，应用于声发射监测齿轮箱轴承故障。王建国等[4]提出了将奇异值分解和局部均值分解相结合的故障特征提取方法，取得了良好的效果。 　　本文针对轴承早期故障微弱、低信噪比的特点，提出将SVD和基于FBE的自适应滤波技术相结合的方法，并应用于轴承的故障特征提取；针对带通滤波器的阶数和带宽参数的确定问题，提出了基于信息熵最小值的参数优化方法。对原信号进行SVD分解，并对重构信号进行基于FBE的带通滤波（利用信息熵优化其参数），包络解调分析，提取轴承故障特征频率。与理论故障特征频率比较，判断轴承故障状态。 　　1基础理论〖2〗1.1SVD假设有采集的轴承原始离散信号Y=[y（1），y（2），…，y（N）]，基于相空间重构理论，构造Hankel矩阵如下[4] 　　X=y（1）y（2）…y（n） 　　y（2）y（3）…y（n+1） 　　………… 　　y（N-n+1）y（N-N+2）…y（N）（1） 　　式中1nN，令m=N-n+1，则有X∈Rm×n，此矩阵即为重构吸引子轨道矩阵。 　　矩阵X通过重构吸引子的特征揭示了其在重构空间的动态特性，故可将X表示为X=D+W，其中，D表示光滑信号在重构空间的（N-n+1）×n矩阵，W表示噪声干扰信号的（N-n+1）×n矩阵。 　　对矩阵X进行奇异值分解，则有X=USVT（2）式中上标“T”表示矩阵转置。U和VT分别为（N-n+1）×（N-n+1）和n×n矩阵，S为（N-n+1）×n的对角阵，主对角线元素为λi（i=1，2，…，k），且k=min（（N-n+1），n），即有S=diag（λ1，λ2，…，λk）（3）式中λ1，λ2，…，λk是矩阵X的奇异值，且有λ1≥λ2≥…≥λk≥0，U和VT表示左右奇异阵。 　　奇异值在模型的阶次k处会产生突降，但信号受到强噪声干扰时，非零奇异值的个数远远大于模型的阶数k，并且使得奇异值在模型阶次处的突降不明显，本文采用文献[6]提出的奇异值相对变化率进行模型的定阶。即定义模型阶次的指标如下MOi=λi-λi+1λi+1， i=1，2，…，k-1（4）由于奇异值降序排列，在突降点大的位置，模型阶次指标MOi将出现峰值，所以，认为MOi最大值，即最大峰值处的值为模型的阶次。 　　1.2频带熵 　　T Liu等[