基于LMD-MFE和DHMM的滚动轴承故障诊断算法

摘要 针对滚动轴承在恶劣环境影响下，其特征信息难以被有效提取出来的问题，提出一种基于局部均值分解(Local Mean Decomposition，LMD)和多尺度模糊熵(Multiscale Fuzzy Entropy，MFE)的滚动轴承故障诊断算法。首先，利用LMD对轴承振动信号进行分解，得到一系列乘积函数(Product function，PF)分量，并与经验模态分解(EmpiricalMode Decomposition，EMD)进行对比，分析其优越性；然后对每一个分量分别提取MFE 特征，同时与多尺度样本熵(Multiscale Sample Entropy，MSE)进行对比，分析MFE的优越性；最后结合各个轴承状态的类间平均距离对多个尺度因子下的熵值进行优选，筛选出可分性良好的敏感特征集，并输入到离散隐马尔科夫模型(Discrete Hidden MarkovModels，DHMM)模式分类器中对轴承故障类型进行诊断识别。实验结果表明，所提出的基于LMD和MFE的轴承故障诊断算法能较好识别出多种轴承故障类型