留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

二次VMD筛选-MPE和FCM相结合的故障诊断方法

周成江 吴建德 袁徐轶

周成江, 吴建德, 袁徐轶. 二次VMD筛选-MPE和FCM相结合的故障诊断方法[J]. 机械科学与技术, 2019, 38(8): 1173-1184. doi: 10.13433/j.cnki.1003-8728.20180293
引用本文: 周成江, 吴建德, 袁徐轶. 二次VMD筛选-MPE和FCM相结合的故障诊断方法[J]. 机械科学与技术, 2019, 38(8): 1173-1184. doi: 10.13433/j.cnki.1003-8728.20180293
Zhou Chengjiang, Wu Jiande, Yuan Xuyi. A Fault Diagnosis Method Combining with Quadratic VMD Screening, MPE and FCM[J]. Mechanical Science and Technology for Aerospace Engineering, 2019, 38(8): 1173-1184. doi: 10.13433/j.cnki.1003-8728.20180293
Citation: Zhou Chengjiang, Wu Jiande, Yuan Xuyi. A Fault Diagnosis Method Combining with Quadratic VMD Screening, MPE and FCM[J]. Mechanical Science and Technology for Aerospace Engineering, 2019, 38(8): 1173-1184. doi: 10.13433/j.cnki.1003-8728.20180293

二次VMD筛选-MPE和FCM相结合的故障诊断方法

doi: 10.13433/j.cnki.1003-8728.20180293
基金项目: 

国家自然科学基金项目 61663017

云南省科技计划项目 2015ZC005

国家自然科学基金项目 51765022

详细信息
    作者简介:

    周成江(1992-), 博士研究生, 研究方向为信号处理, 故障诊断, chengjiangzhou@foxmail.com

    通讯作者:

    吴建德, 教授, 博士生导师, jiande_wu@foxmail.com

  • 中图分类号: TH17;TH911.756

A Fault Diagnosis Method Combining with Quadratic VMD Screening, MPE and FCM

  • 摘要: 针对单向阀振动信号含有背景噪声,故障特征提取困难和诊断精度不高的问题,提出了二次变分模态分解(二次VMD)、多尺度排列熵(MPE)和模糊C均值聚类(FCM)相结合的故障诊断方法。首先,通过二次VMD对振动信号进行分解,再使用双阈值法筛选得到有用的本征模态函数(IMF)。其次,提取重构信号中具有敏感特性的MPE特征。最后,将故障特征输入至FCM得到聚类中心,并根据海明贴近度对待识别样本进行分类。通过多组对比实验,结果表明二次VMD筛选能有效去除噪声及虚假成分,MPE具有更好的敏感故障特征表征能力。同时,使用FCM对模糊特征进行聚类能够取得比传统支持向量机(SVM)更好的效果。
  • 图  1  特征提取流程图

    图  2  故障诊断流程图

    图  3  VMD分解结果图

    图  4  VMD双阈值筛选

    图  5  二次VMD分解结果

    图  6  二次VMD双阈值筛选

    图  7  重构信号对比

    图  8  两种方法重构信号的MPE

    图  9  两种方法提取的已知故障特征样本

    图  10  两种方法海明贴近度平均值

    图  11  传感器布置图及故障单向阀

    图  12  改进VMD分解结果

    图  13  单向阀二次VMD筛选重构信号的MPE

    图  14  二次VMD筛选提取的已知故障样本

    图  15  海明贴近度平均值

    表  1  不同模态的中心频率

    模态数K 中心频率/Hz
    2 575 2 309 - - - -
    3 569 2 280 2 982 - - -
    4 512 1 087 2 284 2 983 - -
    5 512 1 085 2 272 2 789 3 016 -
    6 511 1 083 2 129 2 365 2 806 3 018
    下载: 导出CSV

    表  2  VMD筛选得到的IMF及最佳模态数

    状态 δk ek IMF K
    NOR 0.4522, 0.1698 0.6144, 0.2682 2, 1 2
    IRF 0.167, 0.136, 0.131, 0.130 0.228, 0.223, 0.170, 0.130 5, 4, 3, 7 4
    ORF 0.256, 0.222, 0.195, 0.172, 0.112 0.297, 0.253, 0.178, 0.163, 0.067 6, 5, 4, 7, 3 5
    REF 0.245, 0.173, 0.129, 0.126 0.316, 0.216, 0.199, 0.158 6, 5, 4, 7 4
    下载: 导出CSV

    表  3  二次VMD筛选得到的IMF

    状态 δk ek IMF
    NOR 0.278 2, 0.117 1 0.863 8, 0.136 2 1, 2
    IRF 0.256 0, 0.273 8, 0.136 4 0.400 8, 0.382 0, 0.149 3 4, 3, 2
    ORF 0.356 0, 0.332 8, 0.278 1 0.404 7, 0.276 5, 0.316 3 3, 2, 4
    REF 0.542 6, 0.176 2 0.714 8, 0.232 7 4, 3
    下载: 导出CSV

    表  4  两种方法的诊断标准

    方法 聚类中心 对应状态
    VMD筛选提取MPE 0.962 8, 0.962 1, 0.471 8, 0.786 0 IRF
    0.244 7, 0.280 6, 0.675 6, 0.742 1 ORF
    0.104 2, 0.066 7, 0.887 0, 0.906 1 REF
    0.048 9, 0.569 6, 0.671 7, 0.482 9 NOR
    二次VMD筛选提取MPE 0.948 4, 0.971 3, 0.521 2, 0.765 2 IRF
    0.882 0, 0.778 1, 0.230 8, 0.186 4 NOR
    0.202 9, 0.262 2, 0.755 2, 0.727 2 ORF
    0.038 8, 0.079 6, 0.909 4, 0.883 4 REF
    下载: 导出CSV

    表  5  VMD筛选提取MPE的诊断结果

    表  6  二次VMD筛选提取MPE的诊断结果

    表  7  二次VMD筛选得到的IMF

    状态 IMF δk ek K
    NC 1, 2, 4, 3 0.611, 0.315, 0.158, 0.117 0.319, 0.308, 0.230, 0.089 4
    NK 1, 2 0.350 1, 0.275 1 0.906 5, 0.061 0 2
    NM 2, 1, 3 0.674 9, 0.306 5, 0.163 7 0.445 5, 0.403 6, 0.140 5 3
    下载: 导出CSV

    表  8  不同分解方法诊断结果对比

    方法 状态 诊断结果 精度 分类系数 模糊熵
    NC NK NM
    原信号+MPE NC 14 5 1
    NK 6 13 1 71.67% 0.642 5 0.633 5
    NM 0 4 16
    VMD筛选+MPE NC 20 0 0
    NK 3 17 0 91.67% 0.850 3 0.365 2
    NM 0 2 18
    二次VMD筛选+MPE NC 20 0 0
    NK 3 17 0 95% 0.881 2 0.259 8
    NM 0 0 20
    下载: 导出CSV

    表  9  不同特征量的诊断结果对比

    方法 状态 诊断结果 精度 分类系数 模糊熵
    NC NK NM
    VMD+SE NC 20 0 0
    NK 5 15 0 85% 0.702 8 0.529 6
    NM 0 4 16
    VMD+PE NC 20 0 0
    NK 1 19 0 88.33% 0.738 1 0.494 6
    NM 0 6 14
    VMD+MPE NC 20 0 0
    NK 4 16 0 90% 0.806 4 0.391 7
    NM 0 2 18
    下载: 导出CSV

    表  10  不同诊断方法的诊断结果对比

    方法 状态 诊断结果 精度/%
    NC NK NM
    二次VMD筛选+MPE+SVM NC 15 5 0
    NK 2 18 0 86.667
    NM 1 0 19
    二次VMD筛选+MPE+FCM NC 20 0 0
    NK 3 17 0 95
    NM 0 0 20
    下载: 导出CSV
  • [1] 段佳雷.基于自相关EMD和快速谱峭度消噪的轴承故障诊断方法研究[J].自动化与仪器仪表, 2017(5):101-103 http://d.old.wanfangdata.com.cn/Periodical/zdhyyqyb201705034

    Duan J L. Research on fault diagnosis method of bearings based on auto-correlation EMD and fast spectral kurtosis denoising[J]. Automation & Instrumentation, 2017(5):101-103(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/zdhyyqyb201705034
    [2] Wu Z H, Huang N E. Ensemble empirical mode decomposition:a noise-assisted data analysis method[J]. Advances in Adaptive Data Analysis, 2009, 1(1):1-41 http://d.old.wanfangdata.com.cn/Periodical/dianzixb201305033
    [3] Yeh J R, Shieh J S, Huang N E. Complementary ensemble empirical mode decomposition:a novel noise enhanced data analysis method[J]. Advances in Adaptive Data Analysis, 2010, 2(2):135-156 doi: 10.1142/S1793536910000422
    [4] Dragomiretskiy K, Zosso D. Variational mode decomposition[J]. IEEE Transactions on Signal Processing, 2014, 62(3):531-544 doi: 10.1109/TSP.2013.2288675
    [5] 马增强, 李亚超, 刘政, 等.基于变分模态分解和Teager能量算子的滚动轴承故障特征提取[J].振动与冲击, 2016, 35(13):134-139 http://d.old.wanfangdata.com.cn/Periodical/zdycj201613022

    Ma Z Q, Li Y C, Liu Z, et al. Rolling bearings' fault feature extraction based on variational mode decomposition and Teager energy operator[J]. Journal of Vibration and Shock, 2016, 35(13):134-139(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/zdycj201613022
    [6] 钱林, 康敏, 傅秀清, 等.基于VMD的自适应形态学在轴承故障诊断中的应用[J].振动与冲击, 2017, 36(3):227-233 http://d.old.wanfangdata.com.cn/Periodical/zdycj201703036

    Qian L, Kang M, Fu X Q, et al. Application of adaptivemorphology in bearing fault diagnosis based on VMD[J]. Journal of Vibration and Shock, 2017, 36(3):227-233(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/zdycj201703036
    [7] 刘尚坤, 唐贵基, 王晓龙, 等.基于改进变分模态分解的旋转机械故障时频分析方法[J].振动工程学报, 2016, 29(6):1119-1126 http://d.old.wanfangdata.com.cn/Periodical/zdgcxb201606022

    Liu S K, Tang G J, Wang X L, et al. Time frequency analysis method for rotary mechanical fault based on improved variational mode decomposition[J]. Journal of Vibration Engineering, 2016, 29(6):1119-1126(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/zdgcxb201606022
    [8] 唐贵基, 王晓龙.参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用[J].西安交通大学学报, 2015, 49(5):73-81 http://d.old.wanfangdata.com.cn/Periodical/xajtdxxb201505012

    Tang G J, Wang X L. Parameter optimized variational mode decomposition method with application to incipient fault diagnosis of rolling bearing[J]. Journal of Xi'an Jiaotong University, 2015, 49(5):73-81(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/xajtdxxb201505012
    [9] 朱永利, 贾亚飞, 王刘旺, 等.基于改进变分模态分解和Hilbert变换的变压器局部放电信号特征提取及分类[J].电工技术学报, 2017, 32(9):221-235 http://d.old.wanfangdata.com.cn/Periodical/dgjsxb201709025

    Zhu Y L, Jia Y F, Wang L W, et al. Feature extraction and classification on partial discharge signals of power transformers based on improved variational mode decomposition and Hilbert transform[J]. Transactions of China Electrotechnical Society, 2017, 32(9):221-235(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/dgjsxb201709025
    [10] Wang P, Wang T Y. Energy weighting method and its application to fault diagnosis of rolling bearing[J]. Journal of Vibroengineering, 2017, 19(1):223-236 doi: 10.21595/jve.2016.17338
    [11] Bandt C, Pompe B. Permutation entropy:a natural complexity measure for time series[J]. Physical Review Letters, 2002, 88(17):174102 doi: 10.1103/PhysRevLett.88.174102
    [12] 杜萌, 金宁德, 高忠科, 等.油水两相流水包油流型多尺度排列熵分析[J].物理学报, 2012, 61(23):230507 doi: 10.7498/aps.61.230507

    Du M, Jin N D, Gao Z K, et al. Multiscale permutation entropy analysis of oil-in-water type two-phase flow pattern[J]. Acta Physica Sinica, 2012, 61(23):230507(in Chinese) doi: 10.7498/aps.61.230507
    [13] 郑近德, 程军圣, 杨宇, 等.多尺度排列熵及其在滚动轴承故障诊断中的应用[J].中国机械工程, 2013, 24(19):2641-2646 doi: 10.3969/j.issn.1004-132X.2013.19.017

    Zheng J D, Cheng J S, Yang Y, et al. Multi-scale permutation entropy and its applications to rolling bearing fault diagnosis[J]. China Mechanical Engineering, 2013, 24(19):2641-2646(in Chinese) doi: 10.3969/j.issn.1004-132X.2013.19.017
    [14] 王军辉, 贾嵘, 谭泊, 等.基于EEMD和模糊C均值聚类的风电机组齿轮箱故障诊断[J].太阳能学报, 2015, 36(2):319-324 doi: 10.3969/j.issn.0254-0096.2015.02.009

    Wang J H, Jia R, Tan B, et al. Fault diagnosis of wind turbine's gearbox based on EEMD and fuzzy C means clustering[J]. Acta Energiae Solaris Sinica, 2015, 36(2):319-324(in Chinese) doi: 10.3969/j.issn.0254-0096.2015.02.009
    [15] Ye Z, Cai G Q, Yang J W, et al. Fault diagnosis of railway rolling bearing based on wavelet analysis and FCM[J]. International Journal of Digital Content Technology and its Applications, 2011, 5(3):47-58 doi: 10.4156/jdcta.vol5.issue3.5
    [16] Dragomiretskiy K, Zosso D. Variational mode decomposition[J]. IEEE Transactions on Signal Processing, 2014, 62(3):531-544 doi: 10.1109/TSP.2013.2288675
    [17] 刘长良, 武英杰, 甄成刚.基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断[J].中国电机工程学报, 2015, 35(13):3358-3365 http://d.old.wanfangdata.com.cn/Periodical/zgdjgcxb201513020

    Liu C L, Wu Y J, Zhen C G. Rolling bearing fault diagnosis based on variational mode decomposition and fuzzy C means clustering[J]. Proceedings of the CSEE, 2015, 35(13):3358-3365(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/zgdjgcxb201513020
    [18] Battiti R. Using mutual information for selecting features in supervised neural net learning[J]. IEEE Transactions on Neural Networks, 1994, 5(4):537-550 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=a6b63bc9fd1ba7e0a2114612ca6f5623
    [19] Aziz W, Arif M. Multiscale permutation entropy of physiological time series[C]//2005 Pakistan Section Multitopic Conference. Karachi, Pakistan: IEEE, 2007: 1-6
    [20] Bandt C, Pompe B. Permutation entropy:a natural complexity measure for time series[J]. Physical Review Letters, 2002, 88(17):174102 doi: 10.1103/PhysRevLett.88.174102
    [21] 郑直, 姜万录, 胡浩松, 等.基于EEMD形态谱和KFCM聚类集成的滚动轴承故障诊断方法研究[J].振动工程学报, 2015, 28(2):324-330 http://d.old.wanfangdata.com.cn/Periodical/zdgcxb201502020

    Zheng Z, Jiang W L, Hu H S, et al. Research on rolling bearings fault diagnosis method based on EEMD morphological spectrum and kernel fuzzy C-means clustering[J]. Journal of Vibration Engineering, 2015, 28(2):324-330(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/zdgcxb201502020
    [22] Cannon R L, Dave J V, Bezdek J C. Efficient implementation of the fuzzy C-means clustering algorithms[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, PAMI-8(2):248-255 doi: 10.1109/TPAMI.1986.4767778
  • 加载中
图(15) / 表(10)
计量
  • 文章访问数:  703
  • HTML全文浏览量:  435
  • PDF下载量:  28
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-11-27
  • 刊出日期:  2019-08-05

目录

    /

    返回文章
    返回