周经龙,乔惠萍

(1.北京大学 智能学院,北京 100091;2.重庆科创职业学院 人工智能学院,重庆 402160;3.山西工程科技职业大学 计算机工程学院,山西 晋中 030031)

0 引 言

滚动轴承易发生疲劳失效而导致结构故障。如何有效地检测滚动轴承的故障是轴承健康监测领域研究的重点[1]。

当轴承发生故障时,其振动信号表现出非线性和非平稳的特征[2]。采用线性分析的方法对该类信号特性进行描述时,常常存在不足之处。采用非线性的方法中,常用的非线性方法如熵,由于它能够快速地度量复杂序列的不规则度,在各领域得到了广泛应用[3]。

例如,杨云等人[4]采用排列熵(permutation entropy,PE),提取出了振动信号(经变分模式分解处理后)的模态分量中的故障信息,使得滚动轴承故障诊断的准确率达到了93.75%,该诊断结果表明,PE能够有效地量化轴承的故障特征。

然而,PE是基于数据振幅出现的顺序来进行熵的估计,因此,它忽略了数据的振幅信息。

为了解决PE的缺陷问题,吴新忠等人[5]采用了加权排列熵(weighted permutation entropy,WPE)来代替排列熵,用以提取出滚动轴承的故障特征,并将其与能量熵和PE进行了分类结果对比,结果表明,WPE的性能优于能量熵和PE,基于WPE的故障诊断方法的识别准确率更高。葛红平等人[6]提出了一种粒化幅值感知排列熵(amplitude aware permutation entropy,AAPE),将其用于滚动轴承的故障诊断,并将其所得结果与采用排列熵所得结果,在准确率和聚类效果方面进行了对比,结果表明,AAPE在准确率和特征聚类效果方面均优于PE。

在计算排序模式出现的概率时,WPE和AAPE通过引入振幅信息,以此来对PE进行改进。……