基于细化复合多尺度注意熵与离散熵的滚动轴承剩余有用寿命预测
信号处理
2024-06-26 v1 系统与控制
系统与控制
摘要
基于振动信号进行剩余有用寿命（RUL）预测对于确保旋转机械的安全运行和有效健康管理至关重要。现有研究常从时域和频域特征中提取健康指标（HI），以分析复杂振动信号，但这些特征可能不准确地捕捉到退化过程。本文提出一种称为融合多模态多尺度熵（FMME）的退化特征提取方法，利用细化复合多尺度注意熵（RCMATE）和波动离散熵（RCMFDE），以解决现有退化特征无法准确反映退化过程的难题。首先，采用经验模态分解（EMD）对轴承的双通道振动信号进行分解得到多个模态。随后选取主模态进行进一步分析。接着从每个模态中提取RCMATE和RCMFDE，并进行小波去噪。随后提出一种新型指标，用于评估退化特征的质量。将不同模态下最优尺度的注意熵和离散熵通过拉普拉斯特征图（LE）进行融合，以获得健康指标。最后通过健康指标在故障样本与待预测轴承之间的相似性进行剩余有用寿命预测。实验结果表明，所提方法在不同工作条件下均表现出良好效果。
引用
@article{arxiv.2406.16967,
title = {Remaining useful life prediction of rolling bearings based on refined composite multi-scale attention entropy and dispersion entropy},
author = {Yunchong Long and Qinkang Pang and Guangjie Zhu and Junxian Cheng and Xiangshun Li},
journal= {arXiv preprint arXiv:2406.16967},
year = {2024}
}
备注
12pages, 9 figures