基于ICEEMDAN-MP...SSVM的滚动轴承故障诊断_李铭.pdf

电 子 测 量 技 术E L E C T RON I CME A S U R EME N TT E CHNO L O G Y第4 5卷 第2 3期2 0 2 2年1 2月 D O I:1 0.1 9 6 5 1/j.c n k i.e m t.2 2 0 9 9 9 7基于I C E EMD A N-MP E和A O-L S S VM的滚动轴承故障诊断*李 铭 何毅斌 马 东 唐 权 胡明涛(武汉工程大学机电工程学院 武汉 4 3 0 2 0 5)摘 要:针对滚动轴承故障诊断中特征提取困难和故障类型识别准确率偏低等情况,提出一种基于改进型自适应噪声完整集成经验模态分解(I C E EMD AN)与多尺度排列熵(MP E)结合天鹰算法(AO)优化最小二乘支持向量机(L S S VM)正则化参数和核参数的故障诊断方法。首先通过I C E EMD AN对轴承原始振动信号进行分解,其次根据相关系数和方差贡献率双原则选取符合标准的本征模态分量(I MF),并计算对应分量的MP E,以全面获取故障特征信息;最后将其构成多维特征向量,利用AO-L S S VM辨识模型实现对轴承故障诊断。同时进行多组对比实验,研究结果表明了所提方法在滚动轴承故障诊断中的优越性且识别准确率可达9 8.9 5%。关键词:故障诊断;I C E EMD AN;多尺度排列熵;天鹰算法;最小二乘支持向量机中图分类号:TH 1 3 3.3 3 文献标识码:A 国家标准学科分类代码:0 8 0 3R o l l i n g b e a r i n g f a u l t d i a g n o s i s b a s e d o n I C E EMD A N-MP E a n d A O-L S S VML i M i n g H e Y i b i n M a D o n g T a n g Q u a n H u M i n g t a o(S c h o o l o f M e c h a n i c a l a n d E l e c t r i c a l E n g i n e e r i n g,Wu h a n I n s t i t u t e o f T e c h n o l o g y,Wu h a n 4 3 0 2 0 5,C h i n a)A b s t r a c t:I n v i e w o f t h e d i f f i c u l t y o f f e a t u r e e x t r a c t i o n a n d t h e l o w a c c u r a c y o f f a u l t t y p e r e c o g n i t i o n i n r o l l i n g b e a r i n g f a u l t d i a g n o s i s,a f a u l t d i a g n o s i s m e t h o d b a s e d o n I m p r o v e d C o m p l e t e E n s e m b l e Em p i r i c a l M o d e D e c o m p o s i t i o n w i t h a d a p t i v e n o i s e(I C E EMD AN)a n d M u l t i-s c a l e P e r m u t a t i o n E n t r o p y(MP E)c o m b i n e d w i t h A q u i l a O p t i m i z e r(AO)t o o p t i m i z e t h e r e g u l a r i z a t i o n p a r a m e t e r s a n d k e r n e l p a r a m e t e r s o f L e a s t S q u a r e s S u p p o r t V e c t o r M a c h i n e(L S S VM)i s p r o p o s e d.F i r s t l y,t h e o r i g i n a l v i b r a t i o n s i g n a l o f t h e b e a r i n g i s d e c o m p o s e d b y I C E EMD AN.S e c o n d l y,a c c o r d i n g t o t h e d o u b l e p r i n c i p l e s o f c o r r e l a t i o n c o e f f i c i e n t a n d v a r i a n c e c o n t r i b u t i o n r a t e,t h e e i g e n m o d e c o m p o n e n t(I MF)t h a t m e e t s t h e s t a n d a r d i s s e l e c t e d,a n d t h e MP E o f t h e c o r r e s p o n d i n g c o m p o n e n t i s c a l c u l a t e d t o c o m p r e h e n s i v e l y o b t a i n t h e f a u l t c h a r a c t e r i s t i c i n f o r m a t i o n;F i n a l l y,t h e m u l t i-d i m e n s i o n a l f e a t u r e v e c t o r i s f o r m e d,a n d t h e b e a r i n g f a u l t d i a g n o s i s i s r e a l i z e d b y u s i n g AO-L S S VM i d e n t i f i c a t i o n m o d e l.A t t h e s a m e t i m e,s e v e r a l g r o u p s o f c o m p a r a t i v e e x p e r i m e n t s a r e c a r r i e d o u t.T h e r e s u l t s s h o w t h e s u p e r i o r i t y o f t h e p r o p o s e d m e t h o d i n r o l l i n g b e a r i n g f a u l t d i a g n o s i s,a n d t h e r e c o g n i t i o n a c c u r a c y c a n r e a c h 9 8.9 5%.K e y w o r d s:f a u l t d i a g n o s i s;I C E EMD AN;m u l t i s c a l e p e r m u t a t i o n e n t r o p y;a q u i l a o p t i m i z e r;l e a s t s q u a r e s s u p p o r t v e c t o r m a c h i n e 收稿日期:2 0 2 2-0 5-1 8*基金项目:湖北省科技厅重大专项(2 0 1 6 AAA 0 5 6)、化工装备强化与本质安全湖北省重点实验室开放基金(2 0 1 8 KA 0 1)、武汉工程大学第十三届研究生教育创新基金(C X 2 0 2 1 0 5 1)项目资助0 引 言 滚动轴承作为旋转机械的重要组成部分,其局部故障将直接影响到整个设备的正常运行,因此对于滚动轴承的早期故障进行高效而准确的诊断十分重要1。基本步骤是对采集到的故障振动信号进行关键特征提取,进而通过分类模型实现故障模式识别。然而,在实际工程中,采集到的轴承振动信号往往包含白噪声、谐波干扰等,它们具有非线性和非平稳特性,因此将难以准确区分轴承故障类型和严重程度2。H u a n g等提出 的 经 验 模 态 分 解(EMD)和W u等在EMD基础上改进的集成经验模态分解(E EMD)作为非线66 李 铭 等:基于I C E EMD AN-MP E和AO-L S S VM的滚动轴承故障诊断第2 3期性、非平稳信号的常用分解方法,虽已被广泛应用于信号处理领域,但EMD存在模态混叠问题,而E EMD无法完全中和所添加的高斯白噪声,会存在信号重构误差较大的问题3-4。因此对于上述信号分解方法所展现出来的缺陷,T o r r e s等 提 出 的 自 适 应 噪 声 完 整 经 验 模 态 分 解(C E EMD AN)较好地克服了诸多不足,抑制了噪声干扰5。而C o l o m i n a s等6提出的改进型自适应噪声完整集成经验模态分解(I C E EMD AN)又是对C E EMD AN的进一步改进,分解效果更好,极大地改善了模态混叠问题,降低了虚假分量对特征提取的影响。此外本文将A z i z等提出的多尺度排列熵(MP E)理论引入到故障诊断中,即采用非线性参数估计方法,MP E不仅抵抗干扰能力强,而且可以反映时间序列在多尺度下的随机性与复杂性变化7,能够更全面地提取故障特征。对于常用的轴承故障分类方法,反向传播(B P)神经网络容易造成过拟合问题且需要较多的训练样本,存在训练时间过长的缺点8;极限学习机(E LM)虽然学习和泛化能力较强,但在随机初始化阈值和输入权值时可能会降低训练模型的稳定性9;C o r t e s等提出的支持向量机(S VM)对非线性信号处理能力强且在少量训练样本下,也能获得较高的故障诊断准确率,但S VM核函数必须满足正定连续(M e r c e r)条件且存在计算量过大的缺点1 0。针对上述问题,本文采用最小二乘支持向量机(L S S VM)1 1作为分类模型,L S S VM不仅继承了S VM的优点,还简化了计算的复杂性,具有更高的辨识性能和计算效率。但如果单纯利用L S S VM进行轴承故障诊断,不仅需要人工指定正则化参数和核参数,导致自适应能力变差,而且也会降低故障诊断精度。因此许多学者采用基于粒子群算法(P S O)、鲸鱼算法(WOA)、麻雀算法(S S A)等对L S S VM参数进行优化选择,但这些算法仍存在全局搜索能力弱、易陷入局部最优的缺点。为此本文采用新的群智能优化算法-天鹰算法(AO),其具有参数设置少、寻优能力强、收敛速度快和收敛精度高的优点,有学者已将其应用在优化卷积神经网络的卷积核上。最后利用对比实验验证所提方法的有效性及优越性。1 理论基础1.1 I C E EMD A N原理 I C E EMD AN方 法 是 基 于EMD方 法 分 解 原 理,对C E EMD AN方 法 作 进 一 步 改 进 而 来。它 不 同 于C E EMD AN在信号分解的每一阶段直接加入特定的自适应高斯白噪声,而是将高斯白噪声通过EMD分解后得到的第K个I M F分量作为辅助噪声,接着对分解的每个模态分量计算信号加噪声的局部均值,从而利用残差信号与局部均值的差值来提取最终的K阶I M F,进一步减少了分解结果中存在的残余噪声和虚假分量,有效地解决了传统方法在信号处理领域中易产生的模态混叠和重构误差较大的问题。采用I C E EMD A N方法分解原始振动信号的基本步骤可参考逄英等1 2对滚动轴承原始序列信号预处理过程。1.2 I M F分量选取原则 1)相关系数相关系数可以用来描述I MF分量与原始信号之间的相关程度。首先求解进行归一化处理后的原始信号自相关函数与各阶I MF分量自相关