ارتقاء تبدیل هیلبرت-هوانگ به کمک ویژگی‌های غیرخطی مبتنی بر آنتروپی جهت عیب یابی سریع در یک سیستم شبیه ساز ارتعاشات تجهیزات دوار

هدف اصلی این مقاله، ارتقاتبدیل هیلبرت-هوانگ با استفاده از مزایای ویژگی های غیرخطی مبتنی بر آنتروپی، جهت حذف اثرات نویز اضافه شونده می‌باشد. به علاوه استفاده از ویژگی های غیر خطی مناسب، منجر به محدود شدن اطلاعات اضافی و رفع نیاز به روش های مختلف کاهش بعد در شناسایی عیب های یک سیستم دوار شده است. جهت ارتقاءتبدیل هیلبرت هوآنگ تاثیر نویزهای اضافه شونده بر انواع مختلف ویژگی‌های مبتنی بر آنتروپی برای هر کدام از توابع مود ذاتی حاصل از الگوریتم تجزیه تجربی مود انباشته، مورد بررسی قرار می‌گیرد. با توجه به حساسیت آنتروپی تقریبی به نویز، یک شاخص ارزیابی برای انتخاب دامنه نویز اضافه شونده، براساس آنتروپی تقریبی و ضریب اطلاعات متقابل توابع مود ذاتی ارائه گردیده است. سپس با استفاده از مزایای آنتروپی جایگشت و آنتروپی طیف حاشیه‌ای هیلبرت در توصیف مشخصات سیگنال،آستانه‌ای برای شروع پیدایش عیب با توجه به مقادیر آنتروپی مهمترین تابع مود ذاتیکه دارای بیشترین ضریب اطلاعات متقابل می باشدتعیین می گردد. نتایج نشان می‌دهد که این رویکرد می‌تواند برای تشخیص انحراف از حالت کارکرد سالم سیستم بدون توجه به نوع عیب، به کارگرفته شود. در مرحله بعد برای شناخت نوع عیب، از طیف درجات بالاتر استفاده شده است به نحوی که بای اسپکتروم پوش به دست آمده از اعمال تبدیل هیلبرت به مهمترین تابع مود ذاتی،محاسبه شده و با درنظرگرفتن کوپلینگ میان فرکانس‌های مشخصه عیب و فرکانس دور، عیوب ناهم‌محوری و نابالانسی روتور یک سیستم شبیه ساز ارتعاشات تجهیزات دوارشناسایی گردیده است.

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

The main objective is to improve HilbertHuang transform using the advantages of nonlinear entropybased features in the time and frequency domain to reduce noise effects. In addition, applying appropriate entropybased features lead to restrict information redundancy and overcome the need for dimension reduction, in the fault detection of a rotating system. To modify the HilbertHuang method, the effect of added noise on various types of nonlinear entropybased 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 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 associated 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 of the rotor bearings system, regardless of the fault type. Consequently, to determine the type of defect, the higherorder spectra have been used.The bispectrum of envelope is calculated. This bispectrum is employed to identify the coupling between the rotating frequency and faultcharacteristic frequencies, for misalignment and unbalanced fault diagnosis of a rotating machinery vibration simulation system