哈尔滨工业大学（深圳）于刚副教授团队：基于谱负熵的自适应脉冲小波滤波齿轮早期故障检测 | CJME论文推荐
Free access...
Gao, M., Yu, G. & Li, C. Incipient Gear Fault Detection Using Adaptive Impulsive Wavelet Filter Based on Spectral Negentropy. Chin. J. Mech. Eng. 35, 10 (2022). https://doi.org/10.1186/s10033-022-00678-4
https://cjme.springeropen.com/articles/10.1186/s10033-022-00678-4(戳链接，下载全文)
1
研究背景及目的
齿轮和轴承故障在旋转机械系统中非常常见，如果这些故障在其初始阶段无法被检测到，则工厂可能会发生灾难性事故和经济损失。许多人已经探索了在不拆卸机器的情况下查找这些部件故障的方法，其中基于振动的方法是其中应用最为广泛的方法。小波分析是机械故障诊断领域的一种方法，在传统的小波分解方法中，分解级别和尺度的选择是根据经验选择的。因此，一些研究人员试图找到一种利用小波自动识别故障的方法。然而，在这些方法中，计算时间在某种程度上相当长。最近，Qin等人提出了一种基于脉冲小波作为稀疏表示方法来检测早期故障。然而，脉冲小波中的参数并没有得到优化。
为了解决自适应小波应用于早期故障检测存在的上述问题，以及传统自适应小波计算耗时长的问题，本文提出了一种基于谱负熵的早期故障检测准则，并对脉冲小波进行了改进，使其更好地匹配故障信号。同时提出了一种新的优化策略，以减少寻找脉冲小波滤波器最优参数的计算时间，从而提高自适应小波的计算速度和准确度。
2
试验方法
首先，提出了一种新的基于谱负熵的早期故障判据，对基于谱负熵的故障判据进行理论分析，从理论层面证明，基于谱负熵的故障判据相较于峭度在检测早期故障方面更有优势，并对脉冲小波进行了改进以更好地匹配故障信号，然后提出了一种新的优化策略，以减少寻找脉冲小波滤波器最优参数的计算时间。接着，生成带有强烈噪声的故障脉冲仿真信号，用本文提出的方法对仿真信号进行脉冲检测，同时用传统的方法（基于相关系数最大值法，基于峭度的方法）对同样的仿真信号进行检测，从而对这三种方法从两个方面进行对比，一是在检测微弱脉冲信号方面，二是在计算时间方面。最后，用真实齿轮故障信号用三种方法进行分析检测。同样的，对这三种方法从两个方面进行对比，一是在检测微弱脉冲信号方面，二是在计算时间方面。
图1 方法流程图
3
结果
本文首次提出了一种基于谱负熵的新判据，并通过仿真和实验信号验证了该判据的有效性。在检测仿真故障信号时，本文提出的基于谱负熵的方法不仅能够准确的提取出故障脉冲，相比于传统的方法（基于相关系数最大值法，基于峭度的方法）速度更快，精确度更高。速度分别是基于相关系数最大值法和基于峭度的方法的1/8和1/6。用定量参数CPR（特征功率比）比较，发现，本文提出的方法也由于其他两种方法。对于坏齿故障，本文提出的基于谱负熵的方法能够检测出埋藏在噪声中的微弱脉冲。对于早期的齿根裂纹故障，本文提出的基于谱负熵的方法也能够清晰的提取出埋藏在噪声中的微弱脉冲。同样，相比于传统的方法（基于相关系数最大值法，基于峭度的方法）速度更快，精确度更高。
图2 仿真信号:(a)无噪声，(b)有噪声，(c)仿真信号的FFT
图3 (a)齿轮箱内部结构 (b)齿根裂纹故障
4
结论
本文首次提出了一种基于谱负熵的新判据，并通过仿真和实验信号验证了该判据的有效性。从能量波动的角度来看，与传统的自适应方法相比，该方法对信号能量随熵减小而发生的局部波动更为敏感，从而获得了更好的性能。在齿轮故障测量中，基于峭度的方法，本质上是一种测量观测值离散度的方法。因此，它们仅限于观测数据的分布（通常视为高斯分布），有时不适合瞬态检测，例如，α稳定分布优于高斯分布[32]。对于基于相关系数最大值法，它可以度量暂态小波与输入小波的相似性，因此对输入小波的依赖性很强。如果故障分量太弱或输入的小波与故障暂态不完全匹配，则该方法的应用会受到限制。负熵可以测量一个瞬态与狄拉克梳的相似性，这代表了一系列瞬态的完美表征[11]。因此，性能优于传统方法。然而，限制也如参考文献[11]所示，精度与采样频率高度相关。此外，本文采用改进的脉冲小波作为滤波器，对强噪声中的脉冲瞬态信号进行滤波处理。利用改进的小波变换提取故障早期特征。本文还提出了一种快速优化策略，以减少寻找脉冲小波滤波器最佳参数所需的时间。与传统的搜索方法和其他自适应小波方法相比，该方法速度更快、效率更高，仿真和实验验证了该方法的优越性。由于实验设备的限制，还没有研究负载对基于谱负熵方法的影响。未来的研究重点可以放在研究不同载荷对谱负熵的影响上。
5
前景与应用
该方法对于检测齿轮的早期故障有广阔的应用前景。
相关文章/图书推荐
[1] Gang Yu, Mang Gao*, and Chenli Jia, "A fast filtering method based on adaptive impulsive wavelet for the gear fault diagnosis," Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, p. 0954406220906245, 2020.
[2] Mang Gao, Gang Yu*, Tao Wang, Impulsive Gear Fault Diagnosis Using Adaptive Morlet Wavelet Filter Based on Alpha-Stable Distribution and Kurtogram, IEEE Access, 2019, 7:72283-72296.
[3] Y. Qin. A New Family of Model-Based Impulsive Wavelets and Their Sparse Representation for Rolling Bearing Fault Diagnosis. IEEE Transactions on Industrial Electronics. 2018, 65 (3): 2716-2726.
[4] J. Antoni. The infogram: Entropic evidence of the signature of repetitive transients. Mechanical Systems and Signal Processing. 2016, 74: 73-94.
[5] Y. Xu, J. Chen, C. Ma et al. Negentropy Spectrum Decomposition and Its Application in Compound Fault Diagnosis of Rolling Bearing. Entropy. 2019, 21 (5): 490.
团队带头人介绍
团队研究方向
过程监测，故障诊断及预测
机械系统信号处理
智能维护系统
制造过程的智能控制及自动化
服务机器人
近年团队发表文章
[1] Gang Yu, Mang Gao*, and Chenli Jia, "A fast filtering method based on adaptive impulsive wavelet for the gear fault diagnosis," Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, p. 0954406220906245, 2020.
[2] C. Li, G. Yu, B. Fu, H. Hu, X. Zhu, and Q. Zhu, "Fault Separation and Detection for Compound Bearing-Gear fault Condition Based on Decomposition of Marginal Hilbert Spectrum," IEEE Access, vol. 7, pp. 110518-110530, 2019.
[3] Mang Gao, Gang Yu*, Tao Wang, Impulsive Gear Fault Diagnosis Using Adaptive Morlet Wavelet Filter Based on Alpha-Stable Distribution and Kurtogram, IEEE Access, 2019, 7:72283-72296.
[4] Chenyang Ma, Gang Yu, An Improved Kernel Correlation Filter for Occlusion Target Tracking. 2019 IEEE 4th International Conference on Image, Vision and Computing (ICIVC), 674-678.
更多详细内容请点击文后阅读原文获取。
编辑：谢雅洁 校对：向映姣
JME学院是由《机械工程学报》编辑部2018年创建，以关注、陪伴青年学者成长为宗旨，努力探索学术传播服务新模式。首任院长是中国机械工程学会监事会监事长、《机械工程学报》中英文两刊主编宋天虎。
欢迎各位老师扫码添加小助理-暖暖为好友，由小助理拉入JME学院官方群！
更多精彩视频
欢迎关注JME学院视频号~
寻觅合作伙伴
有一种合作叫做真诚，有一种发展可以无限，有一种伙伴可以互利共赢，愿我们合作起来流连忘返，发展起来前景可观。关于论文推荐、团队介绍、图书出版、学术直播、招聘信息、会议推广等，请与我们联系。
推荐阅读
重庆大学卢义玉教授团队：自增压脉冲射流的形成原理及特点 | CJME论文推荐石家庄铁道大学刘永强教授团队：高速列车轴箱轴承变速动力学模型的建立| CJME论文推荐西南交通大学金学松教授团队：基于地铁车内噪声的钢轨粗糙度接受/验收准则| CJME论文推荐燕山大学陈子明教授团队：一种新型球面二自由度并联机构的运动特性分析| CJME论文推荐 浙江工业大学李研彪教授团队：基于刚柔耦合模型的5PSS/UPU并联机构动态精度分析| CJME论文推荐兰州理工大学林巧力教授团队：高温前驱膜的形成机理综述| CJME论文推荐北京航空航天大学丁希仑教授团队：具有多级缓冲系统的四足机器人仿生设计与分析| CJME论文推荐上海交通大学高峰教授团队：六足移动加工机器人的运动学标定| CJME论文推荐新型6-UCU骨附着并联机器人工作空间及精度分析 | CJME论文推荐华中科技大学高亮教授团队：混合流水车间生产与物流集成调度方法| CJME论文推荐天津大学黄田教授团队：基于输入整形的高速并联机器人残留振动抑制| CJME论文推荐北航陈殿生教授团队：最优跃度轨迹规划在步态平衡训练机器人中的应用| CJME论文推荐一种大模数齿轮渐进式成形工艺的仿真与试验研究| CJME论文推荐一种新型嵌入连通槽微通道的传热性能研究| CJME论文推荐
版权声明：
本文为《机械工程学报》编辑部原创内容，欢迎转载，请联系授权！
在公众号后台留言需要转载的文章题目及要转载的公众号ID以获取授权!
联系我们：
联系人：暖暖
电话：010-88379909
E-mail：jme@cmes.org
网 址：http://www.cjmenet.com.cn
官方微信号：jmewechat