基于WP-TRP的滚动轴承故障诊断方法

doi:10.12068/j.issn.1005-3026.2025.20239058

摘要/Abstract

摘要：

针对故障诊断中传统时频域法提取特征时易受主观因素影响而导致冗余，且深度学习算法受训练数据影响导致计算复杂性较高的缺点，将时域和频域结合，提出一种基于小波包-无阈值递归图（WP-TRP）的滚动轴承故障诊断方法.首先，提出递减信息熵准则，以克服小波包分解的主观性，获取更准确的时频域特征；在此基础上，引入无阈值递归图思想，充分提取数据初始时域特征，并利用奇异值分解进一步降低冗余特征，提高计算效率.然后，引入海洋捕食者算法来获得支持向量机最优参数，实现故障诊断的准确分类.最后，通过标准滚动轴承数据集仿真验证了所提方法的有效性.

关键词: 故障诊断, 小波包分解, 信息熵, 无阈值递归图, 奇异值分解, 海洋捕食者算法

Abstract:

In fault diagnosis， the traditional time-frequency domain methods are easily affected by subjective factors while being used for feature extraction， so that the redundancy emerges. Deep learning algorithm is highly dependent on training data and has computation complexity. Fault diagnosis method for rolling bearings based on wavelet packet-thresholdless recurrence plot （WP-TRP）is proposed by combining time with frequency domains. Firstly， the decreasing information entropy criterion is developed to overcome the subjectivity of wavelet packet decomposition for acquisition of more accurate time-frequency feature. On this basis， the idea of thresholdless recurrence plot is introduced to extract the initial time domain feature. Moreover， by adopting the singular value decomposition to decrease the redundant feature， the computational efficiency can be increased. Secondly， the marine predator algorithm is introduced to obtain the optimal parameters of supporting vector machine， by which the more accurate classification can be realized. Finally， the effectiveness of the presented method is verified by using the simulation on the benchmark rolling bearing datasets.

Key words: fault diagnosis, wavelet packet decomposition, information entropy, thresholdless recurrence plot（TRP）, singular value decomposition, marine predator algorithm

中图分类号:

TP 277

王娜, 崔月磊, 罗亮, 王子从. 基于WP-TRP的滚动轴承故障诊断方法[J]. 东北大学学报（自然科学版）, 2025, 46(3): 20-27.

Na WANG, Yue-lei CUI, Liang LUO, Zi-cong WANG. Fault Diagnosis Method for Rolling Bearings Based on WP-TRP[J]. Journal of Northeastern University(Natural Science), 2025, 46(3): 20-27.

图/表 7

表1 WPD层数与对应的数据点 (number of data)

Table 1 Level number of WPD and the corresponding

相邻分解层	数据/个
第1层、第2层	224
第2层、第3层	486
第3层、第4层	290

图1 采用WCP，RP和TRP转化后的图像特征（a）—WCP；（b）—RP；（c）—TRP.

Fig.1 Image features transformed from WCP, RP, and TRP

图2 基于WP-TRP的故障诊断过程

Fig.2 Process of fault diagnosis based on WP-TRP

表2 滚动轴承的数据参数

Table 2 Rolling bearing data parameters

—

0.18

0.36

0.54

0.18

0.36

0.54

0.18

0.36

0.54

—

图3 MPA-SVM参数寻优适应度值

Fig.3 MPA-SVM parameter optimization fitness

表3 WP-TRP，SVM及CNN模型的诊断性能 (SVM, and CNN models)

Table 3 Diagnostic performances among WP-TRP,

方法	训练正确率/%	测试正确率/%	运行时间/s
RP-SVD-SVM	73.00	70.70	112.78
TRP-SVD-SVM	92.71	89.67	86.65
RQA-SVM^[18]	97.71	94.00	91.91
TRP-CNN	100.00	97.60	219.56
WP-TRP	100.00	100.00	10.66

表4 测试集中WP-TRP与SVM及CNN对各类故障的分类正确率比较 (and CNN models in test dataset %)

Table 4 Comparison of classification accuracy in different defaults among WP-TRP,SVM,

故障类型序号	RP-SVD-SVM	TRP-SVD-SVM	RQA-SVM	TRP-CNN	WP-TRP
1	100.0	100.0	100.0	100.0	100.0
2	63.6	100.0	88.9	100.0	100.0
3	100.0	100.0	100.0	100.0	100.0
4	32.3	63.0	74.1	100.0	100.0
5	95.7	100.0	96.6	100.0	100.0
6	72.0	100.0	100.0	100.0	100.0
7	69.0	78.8	100.0	100.0	100.0
8	65.5	80.0	82.9	97.6	100.0
9	33.3	68.0	100.0	100.0	100.0
10	86.2	100.0	100.0	100.0	100.0

参考文献 18

1	侯东晓，穆金涛，方成，等. 基于GADF与引入迁移学习的ResNet34对变速轴承的故障诊断［J］. 东北大学学报（自然科学版）， 2022， 43（3）： 383-389.
	Hou Dong-xiao， Mu Jin-tao， Fang Cheng， et al. Fault diagnosis of variable speed bearings based on GADF and ResNet34 introduced transfer learning［J］. Journal of Northeastern University （Natural Science）， 2022， 43（3）： 383-389.
2	Yan R Q， Shang Z G， Xu H， et al. Wavelet transform for rotary machine fault diagnosis：10 years revisited［J］. Mechanical Systems and Signal Processing， 2023， 200（5）： 110545.
3	Sun Y J， Li S H， Wang X H. Bearing fault diagnosis based on EMD and improved Chebyshev distance in SDP image［J］. Measurement， 2021， 176（17）： 109100.
4	Ye M Y， Yan X A， Chen N， et al. Intelligent fault diagnosis of rolling bearing using variational mode extraction and improved one-dimensional convolutional neural network［J］. Applied Acoustics， 2023， 202： 109143.
5	Sun Y K， Cao Y， Li P. Fault diagnosis for train plug door using weighted fractional wavelet packet decomposition energy entropy［J］. Accident Analysis & Prevention， 2022， 166： 106549.
6	周奇才，沈鹤鸿，赵炯，等. 基于改进堆叠式循环神经网络的轴承故障诊断［J］. 同济大学学报（自然科学版）， 2019， 47（10）： 1500-1507.
	Zhou Qi-cai， Shen He-hong， Zhao Jiong， et al. Bearing fault diagnosis based on improved stacked recurrent neural network［J］. Journal of Tongji University （Natural Science）， 2019， 47（10）： 1500-1507.
7	Liang H P， Cao J， Zhao X Q. Average descent rate singular value decomposition and two-dimensional residual neural network for fault diagnosis of rotating machinery［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71： 3512616.
8	张龙，胡燕青，赵丽娟，等. 采用递归图编码技术与残差网络的滚动轴承故障诊断［J］. 西安交通大学学报， 2023， 57（2）： 110-120.
	Zhang Long， Hu Yan-qing， Zhao Li-juan， et al. Fault diagnosis of rolling bearings using recurrence plot coding technique and residual network［J］. Journal of Xi’an Jiaotong University， 2023， 57（2）： 110-120.
9	武明泽. 基于小波包分解和FPA-SVM的动车组轴箱轴承故障诊断研究［D］. 北京：北京交通大学， 2021.
	Wu Ming-ze. Research on fault diagnosis of EMU axle box bearing based on wavelet packet decomposition and FPA-SVM［D］. Beijing： Beijing Jiaotong University， 2021.
10	Han T， Liu C， Yang W G， et al. Deep transfer network with joint distribution adaptation： a new intelligent fault diagnosis framework for industry application［J］. ISA Transactions， 2020， 97： 269-281.
11	刘涛，梁成玉. 信息熵融合的PSO-SVC涡旋压缩机故障诊断［J］. 振动、测试与诊断， 2022， 42（1）： 141-147，200.
	Liu Tao， Liang Cheng-yu. PSO-SVC fault diagnosis of scroll compressor based on information entropy fusion［J］. Journal of Vibration， Measurement & Diagnosis， 2022，42（1）： 141-147，200.
12	Kok T L， Aldrich C， Zabiri H， et al. Application of unthresholded recurrence plots and texture analysis for industrial loops with faulty valves［J］. Soft Computing， 2022， 26（19）： 10477-10492.
13	金江涛，许子非，李春，等. 基于深度学习与混沌特征融合的滚动轴承故障诊断［J］. 控制理论与应用， 2022， 39（1）： 109-116.
	Jin Jiang-tao， Xu Zi-fei， Li Chun， et al. Rolling bearing fault diagnosis based on deep learning and chaotic feature fusion［J］. Control Theory & Applications， 2022， 39（1）： 109-116.
14	Cui L L， Liu Y H， Zhao D Z. Adaptive singular value decomposition for bearing fault diagnosis under strong noise interference［J］. Measurement Science and Technology， 2022， 33（9）： 095002.
15	郭明军，李伟光，杨期江，等. 深度卷积神经网络在滑动轴承转子轴心轨迹识别中的应用［J］. 振动与冲击， 2021， 40（3）： 233-239， 283.
	Guo Ming-jun， Li Wei-guang， Yang Qi-jiang，et al. Application of deep convolution neural network in identification of journal bearing rotor center orbit［J］. Journal of Vibration and Shock， 2021， 40（3）： 233-239， 283.
16	Wang Z Y， Yao L G， Chen G， et al. Modified multiscale weighted permutation entropy and optimized support vector machine method for rolling bearing fault diagnosis with complex signals［J］. ISA Transactions， 2021， 114： 470-484.
17	Faramarzi A， Heidarinejad M， Mirjalili S， et al. Marine predators algorithm： a nature-inspired metaheuristic［J］. Expert Systems with Applications， 2020， 152（4）： 113377.
18	司莉，毕贵红，魏永刚，等. 基于RQA与SVM的声发射信号检测识别方法［J］. 振动与冲击， 2016， 35（2）： 97-103， 123.
	Si Li， Bi Gui-hong， Wei Yong-gang， et al. Detection and identification of acoustic emission signals based on recurrence quantification analysis and support vector machines［J］. Journal of Vibration and Shock， 2016， 35（2）： 97-103， 123.

[1]	王宏伟, 李磊, 刘晨宇, 汪洵. 基于变参数模型的智能车辆转向执行器故障诊断[J]. 东北大学学报（自然科学版）, 2024, 45(7): 913-920.
[2]	张执锦, 李鹤, 黄宇实, 王文学. 深度残差收缩网络在滚动轴承故障诊断中的应用[J]. 东北大学学报（自然科学版）, 2024, 45(11): 1587-1594.
[3]	王宏伟，张昊天，韩杰，刘晨宇. 不确定车辆电子稳定控制系统传感器故障估计[J]. 东北大学学报（自然科学版）, 2023, 44(1): 1-8.
[4]	王娜，李杨，彭锟. 基于多角度特征提取的舵机故障诊断方法[J]. 东北大学学报（自然科学版）, 2022, 43(9): 1240-1249.
[5]	侯东晓，穆金涛，方成，时培明. 基于GADF与引入迁移学习的ResNet34对变速轴承的故障诊断[J]. 东北大学学报（自然科学版）, 2022, 43(3): 383-389.
[6]	任朝晖，于天壮，丁东，周世华. 基于VMD-DBN的滚动轴承故障诊断方法[J]. 东北大学学报（自然科学版）, 2021, 42(8): 1105-1110.
[7]	罗忠，徐迪，李雷，马辉. 基于改进二阶循环平稳解卷积的轴承故障检测方法[J]. 东北大学学报（自然科学版）, 2021, 42(5): 673-678.
[8]	王新刚，王超，韩凯忠. 基于优化VMD和MCKD的滚动轴承早期故障诊断方法[J]. 东北大学学报（自然科学版）, 2021, 42(3): 373-381.
[9]	张永超，李琦，任朝晖，周世华. 基于域适应与分类器差异的滚动轴承跨域故障诊断[J]. 东北大学学报（自然科学版）, 2021, 42(3): 367-372.
[10]	张子璠，李强，刘汉文，丁然. 基于信息熵的城轨车辆应变传感器优化布置[J]. 东北大学学报:自然科学版, 2020, 41(3): 367-374.
[11]	李国军，李依擎，邱勇. 园区供热管网泄漏工况建模及分析[J]. 东北大学学报:自然科学版, 2020, 41(10): 1402-1409.
[12]	赵文丹，汪定伟. 基于信息熵的Push/Pull策略下供应链不确定性[J]. 东北大学学报:自然科学版, 2019, 40(4): 457-461.
[13]	辛凤鸣，汪晋宽，王彬，李梅梅. 基于双互信息准则的雷达自适应波形设计方法[J]. 东北大学学报:自然科学版, 2019, 40(12): 1690-1694.
[14]	徐林，郑晓彤，付博，田歌. 基于改进GAN算法的电机轴承故障诊断方法[J]. 东北大学学报:自然科学版, 2019, 40(12): 1679-1684.
[15]	侯延彬，陈炳均，高宪文. 基于GM-ELM的有杆泵抽油井故障诊断[J]. 东北大学学报:自然科学版, 2019, 40(12): 1673-1678.