1、基于优化多尺度排列熵和卷积神经网络的基于优化多尺度排列熵和卷积神经网络的滚动轴承故障诊断方法滚动轴承故障诊断方法伍济钢，文港*（湖南科技大学机械设备健康维护湖南省重点实验室，湘潭411201）摘要：针对滚动轴承故障分类中特征信号微弱、信号非线性和多尺度特征难提取的问题，提出基于优化多尺度排列熵（MPE）和卷积神经网络（CNN）的滚动轴承故障诊断方法：通过改进自适应噪声完备集合经验模式分解（ICEEMDAN）对轴承信号进行分解和重构，实现信号降噪；通过粒子群算法（PSO）对 MPE 进行优化，提出 PSO-MPE 特征提取方法，参数优化后的 MPE 能够提取更为关键的特征信息；将所得的排列熵输入
2、到 CNN 中进行故障分类以及降维可视化分析。以凯斯西储大学开放轴承数据库样本为测试对象，将文章所提出的ICEEMDAN-PSO-MPE-CNN 方法与ICEEMDAN-PSO-MPE-RNN、CEEMDAN-SVM、ICEEMDAN-PSO-MPE-SVM 等方法进行纵向和横向对比分析，结果表明改进方法的分类准确率和效率更高，在 T-SNE 可视化下的分类效果更明显，能够实现滚动轴承故障的高精度和高效率检测。关键词：滚动轴承；故障诊断；多尺度排列熵；卷积神经网络；粒子群算法中图分类号：V231.92;TH133.33文献标志码：A文章编号：1673-1379(2023)01-0099-08D
3、OI:10.12126/see.2022102Rolling bearing fault diagnosis method based on optimized multi-scalepermutation entropy and convolutional neural networkWUJigang,WENGang*(HunanProvinceKeyLaboratoryofHealthMaintenanceEquipment,HunanUniversityofScienceandTechnology,Xiangtan411201,China)Abstract:Inviewofweakfea
4、turesignal,signalnonlinearityanddifficultextractionofmulti-scalefeaturesinrollingbearingfaultclassification,arollingbearingfaultdiagnosismethodbasedonoptimizedmulti-scalepermutationentropy(MPE)andconvolutionalneuralnetwork(CNN)wasproposed.Thedecompositionandreconstructionofbearingsignalsbyimprovingc
5、ompleteensembleempiricalmodedecompositionwithadaptivenoise(ICEEMDAN)could achieve the signal noise reduction.The MPE was optimized by particle swarmoptimization(PSO),thePSO-MPEfeatureextractionmethodwasproposed,andtheparameter-optimizedMPEcouldextractmorecriticalfeatureinformation.Theresultedpermuta
6、tionentropywasinputintoCNNforfaultclassification and dimensionality reduction visualization analysis.The ICEEMDAN-PSO-MPE-CNN methodproposed in this paper was analyzed and compared with CEEMDAN-SVM,ICEEMDAN-PSO-MPE-RNN,ICEEMDAN-PSO-MPE-SVMandothermethodslongitudinallyandcross-sectionallybytakingCase
7、WesternReserveUniversitysopenbearingdatabasesamplesastestobjects.Theresultsshowthattheimprovedmethodenjoys higher classification accuracy and efficiency with more obvious classification effect under T-SNEvisualization,thuscanrealizethehighprecisionandhighefficiencydetectionofrollingbearingfaults.Key
8、words:rollingbearing;faultdiagnosis;MPE;CNN;PSO收稿日期：2022-10-10；修回日期：2023-01-27基金项目：国家自然科学基金项目（编号：51775181）引用格式：伍济钢,文港.基于优化多尺度排列熵和卷积神经网络的滚动轴承故障诊断方法J.航天器环境工程,2023,40(1):99-106WU J G,WEN G.Rolling bearing fault diagnosis method based on optimized multi-scale permutation entropy and convolutionalneural
9、networkJ.Spacecraft Environment Engineering,2023,40(1):99-106第40卷第1期航天器环境工程Vol.40,No.12023年2月SPACECRAFTENVIRONMENTENGINEERING99http:/E-mail:Tel:(010)68116407,68116408,68116544 0 引言引言滚动轴承作为燃气轮机、航空发动机等重要机械中关键的支承零件，经常工作在高载、高频以及高温的恶劣环境下，容易发生磨损、点蚀等诸多故障。为避免因滚动轴承故障而导致巨大经济损失甚至人员伤亡，对滚动轴承进行精确故障诊断是十分必要的1。故障特征的
10、提取是故障诊断的前提，而滚动轴承振动信号的传递路径复杂，并且滚动轴承与其他零部件的耦合运动会导致故障特征信号的多模态混淆，因此在进行故障特征提取时会面临故障特征信号微弱、信号非线性和多尺度特征难提取的问题2-3。针对这些问题，Huang 等4提出用经验模态分解（EMD）的方法将复杂信号分解为多个内禀模态函数（IMF），但该方法的模态混叠十分严重。胡茑庆等5针对行星齿轮箱振动信号的非平稳特性，通过 EMD 分解后根据峭度值选择最优 IMF，解决了信号非线性问题，但模态混叠仍严重。集合经验模态分解（EEMD）6能够改善 EMD 带来的模态混叠问题：朱渔等7通过 EEMD 和双向长短期记忆（BLST
11、M）对齿轮行星轮进行故障诊断，田晶等8通过 EEMD 对滚动轴承故障信号进行分解以及IMF 重构，虽然改善了模态混叠问题，但是会给原信号带来残留的白噪声信号。自适应噪声完备集合经验模式分解（completeensembleempiricalmodedecompositionwithadaptivenoise,CEEMDAN）9能够极大降低 EEMD 引入高斯白噪声而导致噪声残余的问题：肖俊青等10结合 CEEMDAN 和深度学习的方法对滚动轴承进行故障诊断，刘起超等11通过 CEEMDAN 对振动管道的压差信号进行分解，但是 CEEMDAN 分解结果仍然存在一定程度的模态混叠问题。综上，虽然
12、EMD、EEMD、CEEMDAN均能针对故障信号的非线性和特征信号微弱的问题予以一定程度的解决，但是模态混叠问题始终未得到很好的解决。Colominas 等12在 CEEMDAN 基础上针对模态混叠问题进行改进，形成 ICEEMDAN方法；但管一臣等13利用 ICEEMDAN 方法对行星齿轮箱故障电流信号进行分解发现，该方法缺乏多尺度特征提取能力，不便进行精确的故障分类。可见，ICEEMDAN 虽能解决故障信号提取中的模态混叠和低效率问题，但是信号特征提取能力欠缺。近些年，变分模态分解（VMD）和卷积神经网络（CNN）在故障诊断领域的应用较为广泛，以滚动轴承故障为对象，为了从噪声干扰下的复合故
13、障信号中提取出有效的单一故障信息，张伟等14提出蝙蝠算法优化 VMD 的分离方法，但是没有进行进一步的特征提取。为了提高旋转机械滚动轴承故障诊断的准确率，曹洁等15提出 VMD 和反向传播神经网络（backpropagationneuralnetwork,BPNN）的滚动轴承故障诊断方法，但是该方法将特征提取过程完全依靠 BPNN，存在局限性。为了检测强噪声和变工况下的滚动轴承故障类型，赵小强等16提出了改进 Lenet5 神经网络的轴承故障诊断方法，但将信号的特征提取过程完全交给 Lenet5 这样一个黑匣子网络模型，难以保证关键特征的提取。为解决上述方法中在关键特征提取方面存在的问题，本文
14、提出基于优化多尺度排列熵（multi-scalepermutationentropy,MPE）17和 CNN 的滚动轴承故障诊断方法，通过 ICEEMDAN 进行信号的分解降噪以及关键特征的显化，再通过优化的 MPE 进行关键特征提取，最后通过 CNN 实现信号特征的非线性分类。1 方法原理方法原理1.1ICEEMDAN 信号分解方法本文通过 ICEEMDAN 信号分解方法来解决滚动轴承故障信号特征微弱和非线性的问题。ICEEMDAN 在对信号进行多次分解和重构后可把信号区分为包含不同模态的 IMF 分量，从而实现信号特征加强以及对非线性信号中各模态的区分。ICEEMDAN 和 CEEMDAN
15、 都是在每次分解后的残差中添加高斯白噪声后再进行 EMD，均可极大程度消减模态混叠现象；但和 CEEMDAN 把含噪声的 IMF 平均后作为最终 IMF 不同，ICEEMDAN把上次迭代的残差和本次含噪声的残差平均值之差作为本次迭代的 IMF，可进一步减少无用 IMF分量和模态混叠现象。ICEEMDAN 方法的具体运行流程如图 1 所示，图中：x 为输入的原始振动信号；1、k分别为第 1 次和第 k 次分解信号时的期100航天器环境工程第40卷望信噪比；X1n、Xkn分别为构造的第 1 组和第 k 组含 n 个高斯白噪声的信号（n=1,2,）；E1()、Ek()分别为 EMD 分解产生的 1
16、阶和 k 阶模态分量；M()为信号的局部均值；r1、rk分别为第 1 次和第 k 次分解信号产生的残差信号；I1、Ik分别为第1 次和第 k 次分解信号产生的 IMF 分量；(n)为均值为 0 的高斯白噪声；为两临近 IMF 之间的标准差，作为迭代结束判据。开始否是是结束否k1?X 1=x+1E1(n)nX k=rk1+kEk(n)nr1=M(X k E1(X k )(n)(n)r1=M(X k E1(X k )(n)(n)I1=x r1k=k+1k=k+1Ik=rk1 rk=0.2？|Ik+1Ik|2|Ik|2初始化：k1输入信号：x图1ICEEMDAN 分解流程Fig.1FlowchartofICEEMDANdecomposition1.2PSO-MPE 特征提取方法本文选取粒子群算法（PSO）优化的 MPE 方法针对滚动轴承中的多尺度特征信号进行提取，其中MPE 的基本原理就是对信号进行粗粒化处理，而引入多尺度因子的 MPE 方法能够对信号进行局部尺度上的信号粗粒化，更能反映信号的复杂性和随机性。MPE 的具体步骤可分为时间序列粗粒化、序列重构、概率计算和排列熵计算：1）对原始信
