基于VMD复合多尺度散步熵的轴承故障诊断方法

基于VMD复合多尺度散步熵的轴承故障诊断方法
发布时间：2022-07-24T02:10:10.784Z 来源：《科学与技术》2022年第30卷第3月第5期作者：王英超1 徐婷2 [导读] 介绍了轴承在我国铁路走行部的重要性，为了对轴承故障诊断的准确率
王英超1 徐婷2
（中车大连机车车辆有限公司大连 116022 ）摘要：介绍了轴承在我国铁路走行部的重要性，为了对轴承故障诊断的准确率，研究提出了一种基于变分模态分解（VMD）复合多尺度散布熵（CMDE）结合的轴承智能故障诊断方法。

采用观察中心频率确定VMD分解的模态分量个数，根据峭度大小进行重构，对重构信号求其复合多尺度散布熵值，构成模式识别的训练样本以及测试样本。

经过试验对比分析，该方法在故障智能诊断方面具有一定应用价值。

关键词：变分模态分解；复合多尺度散步熵；故障诊断；模式识别引言
在铁路机车车辆中，走行部的滚动轴承达到千万套，种类规格也达到数百种，其工作状态直接影响到整个设备的性能，甚至影响到整个机车车辆的安全。

因此，滚动轴承故障智能诊断技术的研究对于避免事故的发生具有重要的理论价值和现实意义[1]。

滚动轴承在工程运用中的运行工况复杂多变，采集故障的振动信号容易被不可控因素干扰，后续的诊断与预测精度也将会降低。

本文基于以上分析，为了提高轴承故障诊断的识别率，提出通过VMD分解预处理，将预处理后的信号使用复合多尺度散布熵计算特征值，对其特征值进行模式识别以达到提高识别率的效果。

1 变分模态分解算法VMD分解方法的实质就是对原始的信号，通过选取分量个数K参数，把信号分解对应个数的子信号分量，这些分解后的模态分量既能够保证了稀疏性可以再现输入信号。

简单来说利用解调信号的高斯平滑来估计带宽，则约束变分为[2]：
由于VMD与其他自适应分解方法框架理论的不同，导致在应用中两者有一定的差别。

其中一个比较明显的区别是变分模态分解方法需要预设模态分解参数K。

当分解分量参数K选择较大时，有可能会导致过分解情况的发生，如果分量参数K选择比较小时，有可能出现欠分解现象。

通常将求解问题转变为求最小值问题，中心频率求解方式也是如此：通过变换K的取值观察曲线，本文选择K=5，外圈故障信号分解后的中心频率曲线如下。

2 基于VMD复合多尺度熵故障特征值散布熵（Dispersion Entropy，DE）是一种衡量时间序列复杂程度的指标，刚开始被提出时，应用在生物领域居多，复合多尺度散布熵的计算方法是在多尺度散布熵的基础上对多尺度化过程做了些许的优化[3]。

各个尺度因子下的CMDE定义为：
本文选取凯斯西储大学的轴承数据中心的实验数据进行仿真试验，对比分析重要参数选取。

轴承具体数据如下：采集频率为12000Hz，电机转速为1797r/min，其中振动信号除了内环（IR）、外环（OR）、滚动体（BE）故障还有局部单点电蚀正常状态（Norm）下的四种振动信号。

对VMD复合多尺度散布熵具体步骤如下：
步骤1：首先对四种轴承数据库中原始振动信号（内、外圈故障信号、滚子故障信号以及正常信号）进行VMD分解预处理；
步骤2：对分解后的模态分量分别求其峭度，并进行排序；
步骤3：选前三个模态分量进行信号重构；
步骤4：对重构后的四个信号求其复合多尺度散布熵。

从多尺度散布熵与复合多尺度散布熵的计算公式中可以看出都需要对5个参数进行选择，分别是序列的长度、嵌入维数、类别个数、时间延迟以及尺度因子。

本文选择长度，嵌入维数，类别个数，时间延迟，尺度因子通过仿真分析选出最佳值10，其对应曲线如下。

3 实验验证
将处理后的数据应用于实验，进行数据分析，采用DBN网络构建分类器。

针对本文提出滚动轴承的故障模式识别问题，设计的实验具体步骤与说明如下：
步骤1：对于四种状态的实验数据，各随机取100个样本，总数为400个样本，根据VMD-MPE、VMD-MDE、VMD-CMDE构成方法计算特征值，组合为特征向量集，记作故障特征集为P；从P中随机选取70组特征值作为训练集，记作P1；剩余的30组特征值划分为测试集，即P2。

步骤2：将P1输入到分类器进行训练。

不同的轴承故障类型分别由不同的数字代替，1表示内圈故障，2表示滚子圈故障、3表示外圈故障，4表示正常情况。

对原始信号分解后求得的复合多尺度散布熵特征向量输入的DBN模型的实验结果进行分析，如图3所示可以看出滚动轴承各个故障类型识别率，其中根据本文已经标好的不同数字代表不同的故障类型，数字1对应内圈故障信号，识别率为90%，数字2对应滚子故障信号，其识别率为73.33%，计算之后整体识别准确率达到了90.33%。

为了充分证明VMD-CMDE-DBN故障识别模型的有效性，本文使用多尺度排列熵（Multiscale permutation entropy，MPE）、多尺度散布熵（Multiscale Dispersion Entropy，MDE）分别代入到DBN模型中，观察识别率并进行对比，训练集与测试集样本数与上文相同，输入到DBN模型识别率数据如表1所示。

4.结论
本文通过理论证明和试验验证，结合变分模态分解、复合多尺度散布熵、等方法在滚动轴承故障诊断识别方面十分有效。

主要得出以下结论：
VMD多尺度散布熵特征向量以及VMD复合多尺度散布熵特征向量作为深度置信网络分类模型的输入。

其中VMD分解复合多尺度散布熵的准确性最好，为信号模式识别提供了新思路。

参考文献
[1]杨晨．基于振动信号分析法的滚动轴承故障诊断研究[D]．兰州：兰州理工大学，2014．
[2]王建国，陈帅，张超．基于VMD与多特征融合的齿轮故障诊断方法[J]．机械传动，2017，41(03)：160-165．
[3]Rostaghi M,Azami H.Dispersion Entropy:A Measure for Time Series Analysis[J].IEEE Signal Processing Letters, 2016:1-1.。