ارتقاء تبديل هيلبرت - هوانگ به كمك ويژگي‌هاي غيرخطي مبتني بر آنتروپي جهت عيب - يابي سريع در يك سيستم شبيه ساز ارتعاشات تجهيزات دوار

Improving of the Hilbert-Huang transform usingthe nonlinear entropy-based features for early fault detection of a rotating machinery vibration simulator system

هدف اصلي اين مقاله، ارتقا تبديل هيلبرت - هوانگ با استفاده از مزاياي ويژگي هاي غيرخطي مبتني بر آنتروپي، جهت حذف اثرات نويز اضافه شونده مي‌باشد. به علاوه استفاده از ويژگي هاي غير خطي مناسب، منجر به محدود شدن اطلاعات اضافي و رفع نياز به روش هاي مختلف كاهش بعد در شناسايي عيب هاي يك سيستم دوار شده است. جهت ارتقاء تبديل هيلبرت – هوآنگ تاثير نويزهاي اضافه شونده بر انواع مختلف ويژگي‌هاي مبتني بر آنتروپي براي هر كدام از توابع مود ذاتي حاصل از الگوريتم تجزيه تجربي مود انباشته، مورد بررسي قرار مي‌گيرد. با توجه به حساسيت آنتروپي تقريبي به نويز، يك شاخص ارزيابي براي انتخاب دامنه نويز اضافه شونده، براساس آنتروپي تقريبي و ضريب اطلاعات متقابل توابع مود ذاتي ارائه گرديده است. سپس با استفاده از مزاياي آنتروپي جايگشت و آنتروپي طيف حاشيه‌اي هيلبرت در توصيف مشخصات سيگنال،آستانه‌اي براي شروع پيدايش عيب با توجه به مقادير آنتروپي مهمترين تابع مود ذاتي كه داراي بيشترين ضريب اطلاعات متقابل مي باشد تعيين مي گردد. نتايج نشان مي‌دهد كه اين رويكرد مي‌تواند براي تشخيص انحراف از حالت كاركرد سالم سيستم بدون توجه به نوع عيب، به كارگرفته شود. در مرحله بعد براي شناخت نوع عيب، از طيف درجات بالاتر استفاده شده است به نحوي كه باي اسپكتروم پوش به دست آمده از اعمال تبديل هيلبرت به مهمترين تابع مود ذاتي،محاسبه شده و با درنظرگرفتن كوپلينگ ميان فركانس‌هاي مشخصه عيب و فركانس دور، عيوب ناهم‌محوري و نابالانسي روتور يك سيستم شبيه ساز ارتعاشات تجهيزات دوارشناسايي گرديده است.

Employing the powerful and adaptive method in time-frequency domain as well as proper and fault-related feature extraction is one of the most important subjects in the processing of nonlinear and non-stationary signals. The main objective of this paper is to improve Hilbert-Huang transform using the advantages of non-linear entropy-based features in the time and frequency domain to reduce noise effects. In addition, applying appropriate entropy-based features lead to restrict information redundancy and overcome the need for dimension reduction, in the fault detection of a rotating system. To modify the Hilbert-Huang method, the effect of added noise on various types of nonlinear entropy-based features is investigated for each intrinsic mode functions (IMFs) which extracted by ensemble empirical mode decomposition algorithm. Considering the approximate entropy (ApEn) sensitivity to noise, an evaluation index is presented for selecting the proper amplitude of the added noise based on the approximate entropy and mutual information coefficient of the different IMFs. Subsequently, taking into account of the high capability of permutation entropy (PeEn) and marginal Hilbert spectrum entropy (MHE) in the signal characteristic, a threshold is determined for fault detection based on their values associating to the main IMF which has the highest value of mutual information coefficient. As a result, the permutation entropy values and marginal Hilbert spectrum entropy of the main IMF can be used for detection of any deviation from normal operation ofthe rotor bearings system, regardless of the fault type. Consequently, to determine the type of defect, the higher-order spectra have been used.The bi-spectrum of envelope which is obtained from applying Hilbert transformto the main IMF is calculated. This bi-spectrum is employed to identify the coupling between the rotating frequency and fault-characteristic frequencies, for misalignment and unbalanced fault diagnosis of a rotating machinery vibration simulation system.