Noise and Vibration Control ›› 2022, Vol. 42 ›› Issue (5): 96-101.

Previous Articles     Next Articles

Rolling Bearing Fault Diagnosis Method Based on VMD-IMDE-PNN

#br#   

  • Received:2021-08-19 Revised:2021-11-08 Online:2022-10-18 Published:2022-10-18

基于VMD-IMDE-PNN的滚动轴承故障诊断方法

刘备蔡剑华彭梓齐   

  1. ( 湖南文理学院数理学院,湖南常德415000)

摘要: 为了提高滚动轴承故障诊断的准确性,提出一种变分模态分解( Variational Mode Decomposition,VMD )、改进粗粒化多尺度散布熵( Improved Coarse-grained Multi-scale Dispersion Entropy,IMDE )和概率神经网络(Probabilistic Neural Network,PNN )相结合的滚动轴承故障诊断方法。首先对振动信号进行VMD处理,根据互相关系数准则筛选最佳模态分量,突显振动信号的故障特性;然后针对多尺度散布熵(Multi-scale Dispersion Entropy,MDE)不稳定的缺点,对MDE的粗粒化过程进行改进,提出IMDE的非线性分析方法。模拟信号分析结果表明,相比于MDE方法,IMDE方法降低了熵值波动,提高了熵值稳定性。将两种方法运用于实际滚动轴承实验数据,发现相比于MDE,IMDE熵值曲线更平滑稳定,不同滚动轴承状态下的IMDE熵值曲线区分更加明显。最后采用PNN对提取的特征进行识别,与MPE-PNN,MDE-PNN以及VMD-MDE-PNN方法相比,所提的MD-IMDE-PNN方法能精确地识别滚动轴承的故障类型,且识别率更高。

关键词: 故障诊断, 变分模态分解, 改进粗粒化多尺度散布熵, 概率神经网络, 滚动轴承