基于均值Gnome熵和神經網絡的軸承故障診斷*

朱 熹，呂 勇，袁 銳，吳利鋒

(武漢科技大學a.冶金裝備及其控制教育部重點實驗室；b.機械傳動與制造工程湖北省重點實驗室，武漢 430081)

0 引言

旋轉機械是現代工業中使用最為廣泛的機械設備之一，其工作環境一般較為惡劣，零件的損壞時常發生。如果這些機械設備出現故障，輕則導致設備損壞，影響生產；重則造成人員的傷亡，帶來巨大損失。據統計，旋轉機械的故障約有30%是因滾動軸承引起的，因此對滾動軸承的故障診斷對工業生產安全具有重要意義[1-2]。

熵是衡量時間序列不確定性或不規則性的一種方法，基于熵的方法在旋轉機械故障診斷中得到了廣泛的應用[3]。常用的熵有樣本熵[4](SampEn)、模糊熵[5](FE)和排列熵[6](PE)等，但是這些熵都需要對大量參數進行選擇，例如鄭近德等[7]指出SampEn(m，r，N)的計算中，嵌入維數m越大則需要的數據長度就更長；相似容限r過大，會丟失掉很多統計信息；r過小，會增加對結果噪聲的敏感性。鄭近德等[8]指出FE(m，r，N，n)的計算中，相似容限邊界的梯度n在模糊熵向量間相似性的計算過程中起著權重的作用。鄭近德等[9]指出PE(m，τ，N)的計算中，如果m太小，重構的向量中包含的狀態太少，算法失去意義和有效性，不能檢測序列的動力學突變；如果m過大，相空間的重構將會均勻化時間序列，此時不僅計算比較耗時，而且也無法反映序列的細微變化。

上述文獻采用熵的方法在軸承故障診斷上已取得了一定的進展，但是方法中大多數都嚴重依賴參數，例如參數m的細微變化，會顯著影響熵方法的計算結果。……