在滚动轴承故障诊断中,如何有效提取故障特征信息是诊断的关键.近年来随着各种非线性动力学理论的发展,已有许多非线性参数识别方法在机械故障诊断领域获得了应用.2000年Richman等人首次提出了样本熵的概念,它是一种与近似熵类似但更稳健的时间序列复杂性度量方法.对于滚动轴承振动信号,不同故障的振动信号的复杂性不同,因而其对应的样本熵值也不同.因此,理论上样本熵可以对滚动轴承故障特征进行提取.但大量文献研究表明,如果直接使用原始信号的样本熵进行特征提取,将很难对多种故障模式实现有效区分.这是因为原始信号的样本熵所能提供的信息有限,不能反映轴承损伤情况的深层次信息,因而不足以对轴承的所有工况进行区分.1980年,Namias首次从数学的角度提出了分数阶傅里叶变换的定义,它是一种在时频域内分析信号的新方法.在时频平面上存在耦合的故障特征信号,旋转到合适的分数阶平面时却不存在耦合问题,而且不同类型故障模式的数据聚集性得到明显增强.本文借鉴上述思想,提出了一种基于样本熵和分数阶傅里叶变换的故障特征提取新方法.该方法的核心思想是首先把原始数据空间中可分性较差的数据映射到合适的分数阶空间,然后计算并比较经过合适阶次分数阶傅里叶变换后数据的样本熵,从而实现故障的特征提取.为了说明这种方法的有效性,本文采用凯斯西储大学(Case Western Reserve University,简称CWRU)电气实验室轴承数据中心提供的滚动轴承数据进行分析.研究发现,用经过合适阶次分数阶傅里叶变换后数据的样本熵提取信号特征,可以容易地将正常滚动轴承、内圈故障、外圈故障和滚动体故障的信号区分.
暂无评论