基于变分模态分解和多尺度排列熵的故障诊断

《基于变分模态分解和多尺度排列熵的故障诊断》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于变分模态分解和多尺度排列爛的故障诊断陈东宁张运东姚成玉来博文吕世君室先进锻压成形技术与科学教育部重点实验室（燕山大学）燕山大学河北省工业计算机控制工程重点实验室摘要：为稳定提取滚动轴承故障特征，提出一种基于变分模态分解和多尺度排列爛的故障特征提取方法，并采用GK模糊聚类对轴承故障进行识别分类。首先对滚动轴承振动信号进行变分模态分解，得到包含故障特征信息的模态分量;进而利用多尺度排列爛量化各模态分量的故障特征，取各模态分量多尺度排列爛的平均值作为特征向量;最后通过GK模糊聚类分析获得故障样本的标准聚类屮心，采用

2、欧式贴近度进行故障识别分类。将所提方法应用于滚动轴承实验数据，通过分类系数与平均模糊爛对分类效果进行检验，并与经验模态分解多尺度排列爛结合GK模糊聚类的方法进行对比，结果表明，所提方法具有更好的分类性能，其故障诊断精度更高。关键词：故障诊断;滚动轴承;变分模态分解;多尺度排列爛;GK模糊聚类;作者简介：陈东宁（1978-），女，河北秦皇岛人，副教授，博士，研究方向：系统可靠性及智能优化;E-mail:dnchen@ysu.edu.cn;作者简介：张运东（1990-）,男，河北邢台人，硕士研究生，研究方向:机械故障

3、诊断、寿命预测；作者简介：姚成玉（1975-），男，黑龙江牡丹江人，教授，博士，研究方向：液压系统可靠性、故障诊断；作者简介：来博文（1991-）,男，河北邯郸人，硕士研究生，研究方向：故障诊断；作者简介：吕批君（1975-）,男，黑龙江齐齐哈尔人，讲师，博士研究生，研究方向:新型液压元件及可靠性。收稿日期：2016-07-22基金：国家自然科学基金资助项冃(51675460,51405426)FauItdiagnosismethodbasedonvariationalmodedecompositionandmu

4、lti-scalepermutationentropyCHENDongningZHANGYundongYAOChengyuLAIBowenLYUShijunHebeiProvincialKeyLaboratoryofHeavyMachineryFluidPowerTransmissionandControl,YanshanUniversity;KeyLaborstoryofIndustrialComputerControlEngineeringofHebeiProvince,YanshanUniversity;A

5、bstract：ToextractfauItfeaturesofrollingbearingsteadily,amethodoffaultfeatureextractionforrollingbearingbasedonVariationalModeDecomposition(VMD)andMulti-scalePermutationEntropy(MPE)wasproposed,andGKfuzzyclusteringwasusedtoclassifythebearingfaults.Thevibrations

6、ignalsofrollingbearingweredecomposedbyVMDintoacertainnumberofmodalcomponentswithfauItfeatureinformation.Furthermore,thefauItfeatureofeachmodalcomponentwasquantifiedbyMPE,andtheaveragevalueofeachmodalcomponent'sMPEwastakenasthefeaturevector.GKfuzzyclusteringan

7、alysiswasusedtoobtainthestandardclusteringcenteroffaultsamples,andtheclassificationandidentificationoffaultwascarriedoutbyEuclidapproachdegree.Theproposedmethodwasappliedtotheexperimentaldataofrollingbearing,andtheclassificationeffectwasevaluatedbytheclassifi

8、cationcoefficientandtheaveragefuzzyentropy.ThecomparisonwiththemethodofempiricalmodedecompositionbasedonMPEandGKfuzzyclusteringshowedthattheproposedmethodhadbetterclassificationperformanc