基于MEMD与MMSE滚动轴承退化特征提取方法.PDF

２０１８年　 　 ７ 月 郑 州 大 学 学 报 （ 工 学 版 ） Ｊｕｌ．　 ２０１８ 第３９卷　 第４期 Ｊｏｕｒｎａｌ ｏｆ Ｚｈｅｎｇｚｈｏｕ Ｕｎｉｖｅｒｓｉｔｙ （Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｃｉｅｎｃｅ） Ｖｏｌ３９　 Ｎｏ４ 　 　 文章编号：１６７１－６８３３（２０１８）０４－００８６－０６ 基于ＭＥＭＤ 与ＭＭＳＥ 的滚动轴承退化特征提取方法 李凌均，金　 兵，马艳丽，韩　 捷，郝旺身 （郑州大学 机械工程学院，河南 郑州４５０００１） 摘　 要：针对滚动轴承故障信号的非平稳性特征以及其退化状态难以识别的问题，提出了基于多维经 验模态分解（ＭＥＭＤ）与多元多尺度熵（ＭＭＳＥ）的退化特征提取方法．该方法利用多维经验模态算法在 多尺度化过程中能够有效地捕获信号不同尺度的成分的特性，更好地区分了不同退化状态的复杂度．首 先，利用ＭＥＭＤ算法对滚动轴承不同退化状态对应的多通道信号进行同步自适应分解；然后，对多尺度 ＩＭＦ分量重构的信号进行多元多尺度熵分析．对试验信号进行处理，结果表明，该方法能有效反映滚动 轴承退化趋势． 关键词：多维经验模态分解；多元多尺度熵；多尺度化；滚动轴承；退化趋势 中图分类号：ＴＨ２１２；ＴＨ２１３３　 　 　 文献标志码：Ａ　 　 　 ｄｏｉ：１０１３７０５／ ｊ．ｉｓｓｎ．１６７１－６８３３．２０１８．０１．００４ 征提取中，取得了较好的效果．但 ＥＭＤ 与ＥＥＭＤ ０　 引言 在处理多变量时，把每个通道信号作为一项独立 滚动轴承故障的演变存在一个由轻微到严重 变量，单独对每个通道信号进行分解，通常会出现 的发展过程，对其运行过程中故障程度进行准确 ［９］ 尺度排列不确定性问题．Ｒｅｈｍａｎ 等 提出的多 且及时的识别，对于保障机械设备安全运行、避免 变量经验模态分解（ｍｕｌｔｉｖａｒｉａｔｅ ｅｍｐｉｒｉｃａｌ ｍｏｄｅ ［１］ 经济损失具有重大意义 ．性能退化特征的选取 ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＭＥＭＤ）算法，该算法可以实现多 重点在于该特征信息能否量化设备性能退化程 通道信号的联合分析，同时可以保证分解得到的 度．传统时域统计参数和基于平稳性假设的频域 ＩＭＦ分量按频率尺度对齐，从而解决了上述问题． 分析方法对故障的敏感度不足或没有较为一致的 因此，将ＭＥＭＤ引入到多通道信号计算ＭＭＳＥ 时 趋势． 的多尺度化过程中，同样可以提高ＭＭＳＥ在刻画 信息熵是反映信号复杂性和不规则性的一种 轴承退化过程中非平稳信号不同尺度的能力． ［２］ 非线性分析指标 ．文献［３］将 ＬＭＤ和样本熵相 基于上述分析，结合ＭＭＳＥ和ＭＥＭＤ两者的 结合应用到齿轮故障特征的提取当中，该方法能 优点，提出了基于ＭＥＭＤ与ＭＭＳＥ 的滚动轴承退 够有效地诊断出齿轮不同类型的故障． Ａｈｍｅｄ 化特征提取方法．该方法首先用ＭＥＭＤ算法对不 ［４］ ［５］ 等 基于 Ｃｏｓｔａ 等 提出的多尺度熵（ＭＳＥ）思 同退化状态的信号进行分解；然后，选取相应敏感 想，提出了多尺度多变量样本熵（ｍｕｌｔｉ⁃ｓｃａｌｅ ｍｕｌｔ⁃ 的ＩＭＦ 分量进行降序重构；最后用多元多尺度熵 ｉｖａｒｉａｔｅ ｓａｍｐｌｅ ｅｎｔｒｏｐｙ，ＭＭＳＥ）．然而，与 ＭＳＥ 类 进行特