第12期 2016年12月
组合机床与自动化加工技术
ModularMachineTool&AutomaticManufacturingTechnique
文章编号：10012265（2016)12007604
DOI:10. 13462/j cnki. mmtamt. 2016. 12. 021
No.12 Dec.2016
基于EMD-MPE 与HMM的滚动轴承故障诊断
贺彬刘泉
（北京信息科技大学机电工程学院，北京100192）
摘要：针对故障轴承的特征难以提取以及状态识别困难的问题，提出了基于经验模态分解（EMD)-多尺度排列炳（MPE）与隐马尔科夫模型（HMM）的滚动轴承故障识别方法。首先，运用EMD滤波降噪原理对滚动轴承振动信号进行降噪，而后将已降噪的信号进行多尺度排列摘分析并提取不同尺度下排列炳的较大值作为信号特征。最后，将特征信号向量输入已训练好的HMM模型进行故障类型判别。并与支持向量机(SVM)进行比较研究。实验结果表明，基于EMD-MPE与HMM的滚动轴承故障诊断方法对滚动轴承的故障状态能够进行有效地识别。
关键词：滚动轴承；故障诊断；经验模态分解；多尺度排列嫡；隐马尔科夫模型
中图分类号：TH117;TG506
文献标识码：A
Fault Diagnosis of Rolling Bearing Based on EMD-MPE andHMM
HE Bin,LIU Quan
(School of Mechanic and Electric Engineering, Beijing Information Science & Technology University , Beijing 100192,China)
Abstract: Aiming at the faulty signal of rolling bearing being featured and the fault states being classified difficultly, the method of fault diagnosis for rolling bearing based on EMD-MPE and HMM is applied to this paper. Firstly, the vibration signal is decomposed into various values of permutation entropy (PE) based on multi scaling factor by MPE after EMD denoising. It's necessary to extract the larger values corresponding to the scaling factor as the feature vectors. Finally, the feature vectors are input into the trained HMM for recognition. The experimental results show that the method of EMD-MPE and HMM is superior to the meth-od of EMD-MPE and SVM, and it can identify the fault states of rolling bearing accurately and effectively Keywords:rolling bearing;fault diagnosis;EMD;MPE;HMM
0引言
滚动轴承作为旋转机械系统的重要组成部分，其能否健康工作关系着整个系统的正常运行]。所以，对出现故障的滚动轴承及时诊断显得尤为重要，而实现准确诊断的一关键因素在于对故障轴承信号中进行有效地处理。常见的滚动轴承故障诊断方法有傅里叶变换（FFT），小波变换，希尔伯特变换等，但它们都有各自的缺点和不足。如傅里叶变换的时频窗口固定不变的缺点导致其无法满足对滚动轴承的非平稳振动信号进行自适应分解[2]：小波变换虽然有可变的时频窗口，但其本质上是通过该窗口对信号进行机械性地分割，同样也不是一种自适应的信号处理方法[3]；希尔伯特变换（HHT）在机械故障诊断领域得到了广泛的应用，但其存在包络过冲与欠冲、端点效应等问题4]，故其理论上仍需进一步完善。以上信号时频分析方法都
收稿日期：2016-08-09；修回日期：2016-09-20
是将非线性信号分解为平稳信号，这样的“转换”难免有一定的局限性[5]。对非线性信号运用非线性分析方法进行分析可以有效地避开时频分析方法的局限，从而直接提取滚动轴承的故障信息。
多尺度排列熵[6]（Multi-scalePermutationEntropy， MPE)作为一种检测时间序列随机性和动力学突变行为的非线性分析方法，具有计算速度快，抗噪能力强，适合在线监测等优点[7]。AzizW、Arif M等[8]提出了多尺度排列摘的概念，通过与多尺度熵进行对比分析生理信号表明，对振动信号进行多尺度分析是一种有效方法。Yan、Liu等将排列嫡(PE)应用于旋转机械系统振动信号的特征提取，并与近似嫡、Lempel-Ziv的复杂度进行比较，取得了很好的试验效果19]。隐马尔科夫模型（HiddenMarkovModel，HMM）是一种基于时间序列的统计模型[10]，其能够对输人的信息进行建模和
*基金项目：国家自然科学基金项目（51275052）：国家科技重大专项“高档数控机床与基础制造装备"（2013ZX04011-012）
作者简介：贺彬（1990一），男，安微准北人，北京信息科技大学硕士研究生，研究方向为机电系统状态监测与故障诊断，（E-mail)452475973@q
万芳数据