基于改進排列熵的滾動軸承故障特征提取

陳祥龍 張兵志 馮輔周

摘要： 排列熵能夠有效監測振動信號中的動力學突變，衡量振動信號的復雜度，在旋轉機械狀態監測中獲得成功的應用。將排列熵應用于滾動軸承故障特征提取中，并針對排列熵對振動信號幅值不敏感，無法反映振動信號中局部能量分布差異的問題，利用濾波信號的歸一化瞬時能量改進排列熵，提出一種基于改進排列熵的滾動軸承故障特征提取方法。仿真和試驗數據分析結果表明，該方法能夠有效識別滾動軸承共振頻帶，準確提取滾動軸承故障特征。

關鍵詞： 故障診斷； 滾動軸承； 排列熵； 特征提取

中圖分類號：TH165+.3； TH133.33 文獻標志碼： A 文章編號： 1004-4523（2018）05-0902-07

DOI：10.16385/j.cnki.issn.1004-4523.2018.05.021

引 言

滾動軸承是機械設備最容易發生失效的部位之一，及時有效地提取滾動軸承故障特征，確保機械設備連續可靠運行，避免因突發故障造成不必要的損失，是機械設備狀態監測和故障診斷的研究重點[1]。當滾動軸承發生局部故障時，軸承會以一定的故障通過頻率產生具有共振頻率調制特征的循環瞬態故障沖擊，在振動信號中表現出幅值調制特點。包絡分析能夠用于解調故障特征，但是如何準確識別滾動軸承共振頻帶是包絡分析能夠有效提取滾動軸承故障特征的關鍵[2]。

Antoni等[3-5]最早利用譜峭度（Spectral kurtosis）檢測滾動軸承振動信號中的瞬態故障沖擊成分，提出了峭度譜（Kurtogram），自適應確定共振頻帶并包絡解調故障特征；張龍等[6]考慮瞬態沖擊周期性發生的特點，提出了基于包絡譜峰值因子和復Morlet小波濾波的最優共振頻帶確定方法；Tse等[7-8]定義了包絡功率譜的稀疏度指標，結合Morlet小波濾波和遺傳算法，確定滾動軸承的最優共振頻帶；Li等[9-10]提出多指標融合以及頻譜細分合并確定滾動軸承最優共振頻帶，提高了最優共振頻帶識別的魯棒性。

信息熵能夠定量評價信息系統中的不確定性和復雜性，在機械設備狀態監測和故障診斷領域獲得廣泛應用。秦娜等[11]提出基于小波信息熵等信息測度和樣本熵等復雜性測度的高速列車轉向架故障特征提取及退化狀態評估方法；朱可恒等[12]提出了結合IMF包絡樣本熵與SVM的滾動軸承故障診斷方法；馮輔周等[13]提出基于排列熵的振動信號突變檢測方法；郝旺身等[14]提出全矢數據融合和排列熵的齒輪故障特征提取方法；Antoni等[15]通過構造包絡信息負熵和包絡譜信息負熵，分別提出了包絡負熵信息譜以及包絡譜負熵信息譜，用于準確識別滾動軸承振動信號中的瞬態沖擊特征。

綜上所述，尋找一種或多種能夠穩健識別振動信號中瞬態沖擊成分的檢測指標，確定滾動軸承共振頻帶，關系到滾動軸承故障特征提取的準確性和魯棒性。利用排列熵檢測振動信號動力學突變的特點，本文將排列熵應用于滾動軸承故障特征提取中，并針對排列熵對振動信號幅值不敏感，導致其無法準確反映滾動軸承振動信號在不同濾波頻帶中的能量分布問題，提出了一種基于濾波信號歸一化瞬時能量的改進排列熵，用于穩健識別滾動軸承共振頻帶。

1 排列熵的基本原理

排列熵（Permutation Entropy，PE）是由Christoph Bandt等提出的一種基于時間序列各元素統計屬性的平均熵參數，其利用一種較為簡便的方法，衡量一維時間序列復雜度[16]。排列熵對信號的變化具有較高的敏感性，可以放大系統的弱變信號，并有效檢測復雜系統的動力學突變。

選擇窄帶濾波帶寬fb=300 Hz，沿頻率軸以50 Hz為步長設置復Morlet小波濾波中心頻率，分別利用排列熵和改進排列熵檢測濾波信號中的瞬態沖擊特征，搜索包含瞬態沖擊特征的軸承固有共振中心頻率?；谂帕徐氐玫降墓舱裰行念l率結果如圖4（a）所示，圖中疑似存在兩處較明顯的排列熵值極小值，然而基于排列熵得到的信息譜曲線波動較大，難以選擇某一極小值作為軸承固有共振中心頻率；基于改進排列熵得到的共振中心頻率結果如圖4（b）所示，圖中在4050 Hz處存在一處極大值，且與軸承固有共振中心頻率基本一致。因此可以選擇中心頻率4050 Hz，帶寬300 Hz作為軸承的固有共振頻帶，并利用復Morlet小波濾波得到濾波信號及其頻譜和包絡譜，如圖5所示。

從圖5中可以看出，基于本文提出改進排列熵識別的滾動軸承固有共振頻帶，雖然在時域及頻域上其窄帶濾波信號瞬態沖擊特征并不明顯，但是在包絡譜中能夠清晰地識別出軸承內圈故障特征頻率fBPFI=100 Hz及其三次諧頻，因此改進排列熵能夠有效提取出滾動軸承的故障特征，驗證了本文提出方法的有效性。

3.2 滾動軸承試驗臺數據分析

采集某型變速箱滾動軸承振動數據，進一步驗證本文提出方法的有效性，變速箱試驗裝置組成示意圖如圖6所示。

該變速箱輸出軸支撐軸承為深溝球軸承，振動傳感器安裝在對應輸出軸軸承徑向光滑的機體位置。采用電火花加工法在新軸承的外圈設置尺寸微小的點狀缺陷，模擬軸承外圈點蝕剝落故障，采集滾動軸承振動信號和輸出軸轉速信號。設置采樣頻率12 kHz，試驗時的輸出軸轉頻為fr=29.5 Hz，滾動軸承外圈故障特征頻率fBPFO=106 Hz。一組滾動軸承外圈故障振動信號如圖7所示。其中圖7（a）是該信號的時域波形，圖7（b）和（c）分別是該信號的頻譜和平方包絡譜。從圖7（b）和（c）中很難直接提取出任何故障特征信息。

利用本文提出的方法分析該外圈故障振動信號，分析結果如圖8所示。圖8（a）為復Morlet小波帶通濾波中心頻率對應的改進排列熵值，圖中具有最大改進排列熵值的共振中心頻率位于fc=3450 Hz處，對應的濾波信號如圖8（b）所示；濾波信號的包絡分析結果如圖8（c）所示，從圖中能夠清晰地提取出滾動軸承外圈故障振動信號的轉頻fr、故障特征頻率fBPFO及其倍頻。因此基于改進排列熵能夠有效提取滾動軸承的故障特征頻率，驗證了該方法的有效性。

4 結 論

（1）排列熵雖然能夠有效監測振動信號中的動力學突變，衡量振動信號的復雜度，定量反映振動信號的總體平均分布特征，但是對信號局部能量分布差異不夠敏感，無法準確反映振動信號中的瞬態沖擊特征；

（2）基于濾波信號歸一化瞬時能量提出的改進排列熵，能夠克服排列熵對振動信號幅值不敏感，無法準確反映信號中局部能量分布差異的問題，準確識別振動信號中的瞬態沖擊特征；

（3）將改進排列熵與復Morlet小波濾波相結合，能夠準確識別包含滾動軸承瞬態沖擊特征的最優共振頻帶，準確提取出滾動軸承故障特征。

參考文獻：

[1] Smith W A， Randall R B. Rolling element bearing diagnostics using the Case Western Reserve University data： A benchmark study[J]. Mechanical Systems and Signal Processing，2015， 64-65： 100—131.

[2] Chen X， Feng F， Zhang B. Weak fault feature extraction of rolling bearings based on an improved kurtogram[J]. Sensors，2016， 16（9）： 1482.

[3] Antoni J. The spectral kurtosis： a useful tool for characterising non-stationary signals[J]. Mechanical Systems and Signal Processing，2006， 20（2）： 282—307.

[4] Antoni J， Randall R B. The spectral kurtosis： application to the vibratory surveillance and diagnostics of rotating machines[J]. Mechanical Systems and Signal Processing，2006， 20（2）： 308—331.

[5] Antoni J. Fast computation of the kurtogram for the detection of transient faults[J]. Mechanical Systems and Signal Processing，2007， 21（1）： 108—124.

[6] 張 龍， 熊國良， 黃文藝. 復小波共振解調頻帶優化方法和新指標[J]. 機械工程學報，2015，51（3）： 129-138.

Zhang Long， Xiong Guoliang， Huang Wenyi. New procedure and index for the parameter optimization of complex wavelet based resonance demodulation[J]. Journal of Mechanical Engineering， 2015， 51（3）： 129—138.

[7] Tse P W， Wang D. The automatic selection of an optimal wavelet filter and its enhancement by the new sparsogram for bearing fault detection[J]. Mechanical Systems and Signal Processing，2013， 40（2）： 520—544.

[8] Tse P W， Wang D. The design of a new sparsogram for fast bearing fault diagnosis： Part 1 of the two related manuscripts that have a joint title as “Two automatic vibration-based fault diagnostic methods using the novel sparsity measurement-Parts 1 and 2”[J]. Mechanical Systems and Signal Processing，2013， 40（2）： 499—519.

[9] Li C， Liang M， Wang T. Criterion fusion for spectral segmentation and its application to optimal demodulation of bearing vibration signals[J]. Mechanical Systems and Signal Processing，2015， 64-65： 132—148.

[10]李 川，朱榮榮，楊 帥. 基于多指標模糊融合的滾動軸承診斷的最優頻帶解調方法[J]. 機械工程學報，2015，51（7）： 107—114.

Li Chuan，Zhu Rongrong，Yang Shuai.Optimal frequency band demodulation for fault diagnosis of rolling element bearings based on fuzzy fusion of multiple criteria[J].Journal of Mechanical Engineering， 2015，51 （7）： 107—114.

[11]秦 娜. 高速列車轉向架故障的信息熵測度特征分析方法研究[D]. 成都：西南交通大學， 2014.

Qin Na. Research on high-speed train bogie fault data feature analysis method based on information entropy measurement[D].Chengdu： Southwest Jiaotong University， 2014.

[12]朱可恒. 滾動軸承振動信號特征提取及診斷方法研究[D]. 大連：大連理工大學， 2013.

Zhu Keheng. Research on vibration signal based on rolling element bearing feature extraction and fault diagnosis method[D]. Dalian： Dalian University of Technology， 2013.

[13]馮輔周，饒國強，司愛威，等. 排列熵算法研究及其在振動信號突變檢測中的應用[J]. 振動工程學報，2012，25（2）： 221—224.

Feng Fuzhou， Rao Guoqiang， Si Aiwei， et al. Research and application of the arithmetic of PE in testing the sudden change of vibration signal[J]. Journal of Vibration Engineering，2012，25（2）：221—224.

[14]郝旺身，王洪明，董辛旻，等. 基于全矢排列熵的齒輪故障特征提取方法研究[J]. 振動與沖擊，2016，（11）： 224—228.

Hao Wangshen， Wang Hongming， Dong Xinmin， et al. Gear fault feature extraction based on full vector permutation entropy[J]. Journal of Vibration and Shock，2016，（11）： 224—228.

[15]Antoni J. The infogram： Entropic evidence of the signature of repetitive transients[J]. Mechanical Systems and Signal Processing，2016， 74： 73—94.

[16]馮輔周，司愛威，江鵬程. 小波相關排列熵和HMM在故障預測中的應用[J]. 振動工程學報，2013，26（2）： 269—276.

Feng Fuzhou， Si Aiwei， Jiang Pengcheng. Application of wavelet correlation permutation entropy and hidden Markov model to fault prognostic[J]. Journal of Vibration Engineering，2013，26（2）： 269—276.

[17]Borghesani P， Pennacchi P， Chatterton S. The relationship between kurtosis-and envelope-based indexes for the diagnostic of rolling element bearings[J]. Mechanical Systems and Signal Processing，2014， 43（1-2）： 25—43.

[18]王宏超，陳 進，董廣明. 基于最小熵解卷積與稀疏分解的滾動軸承微弱故障特征提取[J]. 機械工程學報，2013， 49（1）： 88—94.

Wang Hongchao， Chen Jin， Dong Guangming. Fault diagnosis method for rolling bearing′s weak fault based on minimum entropy deconvolution and sparse decomposition[J]. Journal of Mechanical Engineering，2013， 49（1）： 88—94.

Abstract： The permutation entropy can be used to efficiently detect the dynamic mutation and measure the complexity of 1-Dimensional time series. It has been successfully applied to condition detection of revolving machinery. This study proposes a method that applies permutation entropy into fault feature extraction of rolling bearings. However， permutation entropy is not sensitive to the amplitude of vibration signals and cannot reflect the difference of local energy distribution of vibration signals. Therefore， the permutation entropy is improved by utilizing the normalized instantaneous energy and a novel fault feature extraction method is proposed by the improved permutation entropy. The analysis results demonstrate that the proposed fault feature extraction method can effectively identity the resonant frequency band and extract fault features.

Key words： fault diagnosis； rolling bearing； permutation entropy； fault feature extraction

作者簡介：陳祥龍（1989—），男，博士，講師。電話：18801066586；E-mail： chenchendeplace@163.com

通訊作者：馮輔周（1971—），男，博士，教授，博士生導師。電話：（010）66718514；E-mail： fengfuzhou@tsinghua.org.cn