基于HTMFDE以及ICNN的滚动轴承寿命状态识别方法

摘要：

针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种结合层次时移多尺度波动散布熵(Hierarchical Time-shifted Multiscale Fluctuation Dispersion Entropy,HTMFDE)、JRD距离(Jensen-Renyi divergence,JRD)以及改进卷积神经网络(Improved convolution neural network,ICNN)的轴承寿命状态识别新方法.首先,在传统多尺度波动散布熵的基础上,将传统均值粗粒化过程替换为改进的时移粗粒化过程,以解决传统均值粗粒化导致信号幅值特征丢失的问题.同时引入层次分解理论,克服多尺度分析方法不能全面提取不同频段故障特征的不足,得到最终的HTMFDE.之后利用HTMFDE方法提取滚动轴承信号的多维状态特征量,并进行归一化形成一组概率分布,计算轴承正常信号与故障信号之间的JRD距离作为性能退化指标.其次,根据构建的JRD性能退化曲线,划分轴承寿命状态并制作数据集,通过标签化的样本训练具有双层多尺度特征提取层的卷积神经网络,建立滚动轴承寿命状态识别模型.为了加快模型的收敛速度,对每层卷积进行批量归一化操作,同时采用全局池化代替全连接层以提升模型的训练效率.最后,在2组不同的轴承数据集上进行实验.实验结果表明,根据HTMFDE构建的JRD性能退化曲线能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的ICNN模型在SNR=0～10 dB环境中平均识别正确率为98.5％,能够准确地识别轴承寿命状态,验证了所提方法的实用性以及有效性.

关键词：寿命状态识别、滚动轴承、层次时移多尺度波动散布熵、JRD距离、改进卷积神经网络

所属期刊栏目：20

分类号：TH133.33

资助基金：国家自然科学基金;重庆市科技创新领军人才支持计划项目;重庆市高校创新研究群体项目;重庆市北碚区科学技术局技术创新与应用示范项目;城市轨道交通车辆系统集成与控制实验室开放基金资助项目

在线出版日期：2023-04-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：723-734