基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断_刘长良

合集下载

基于自适应局部迭代滤波和模糊C均值聚类的滚动轴承故障诊断方法

基于自适应局部迭代滤波和模糊Ｃ均值聚类的滚动轴承故障诊断方法张超，何闯进，何玉灵（华北电力大学　机械工程系，河北　保定　０７１００３）摘要：为准确提取滚动轴承振动信号的故障特征，并对不同状态信号进行划分，提出了一种基于自适应局部迭代滤波（ＡＬＩＦ）和模糊Ｃ均值（ＫＦＣＭ）聚类的滚动轴承故障诊断方法。

首先，将多模态信号自适应分解为多阶单一模态分量；然后，结合相关系数提取出含有最多故障特征信息的最优分量，计算其近似熵值并构建特征向量矩阵；最后，将得到的特征向量输入ＫＦＣＭ得到聚类结果。

试验结果表明，与基于ＥＭＤ，ＥＥＭＤ和ＫＦＣＭ聚类，以及ＡＬＩＦ和ＦＣＭ聚类的方法相比，ＡＬＩＦ和ＫＦＣＭ方法的分类系数更接近１，平均模糊熵更接近０，聚类效果更好，对滚动轴承各类故障信号具有很高的识别度和良好的分类效果。

关键词：滚动轴承；故障诊断；自适应局部迭代滤波；模糊Ｃ均值聚类；近似熵中图分类号：ＴＨ１３３．３３；ＴＰ１８１文献标志码：ＢＤＯＩ：１０．１９５３３／ｊ．ｉｓｓｎ１０００－３７６２．２０２１．０５．００９ＦａｕｌｔＤｉａｇｎｏｓｉｓＭｅｔｈｏｄｆｏｒＲｏｌｌｉｎｇＢｅａｒｉｎｇｓＢａｓｅｄｏｎＡＬＩＦａｎｄＫＦＣＭＣｌｕｓｔｅｒｉｎｇＺＨＡＮＧＣｈａｏ，ＨＥＣｈｕａｎｇｊｉｎ，ＨＥＹｕｌｉｎｇ（ＤｅｐａｒｔｍｅｎｔｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈＣｈｉｎａＥｌｅｃｔｒｉｃｉｔｙＰｏｗｅｒＵｎｉｖｅｒｓｉｔｙ，Ｂａｏｄｉｎｇ０７１００３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｅｘｔｒａｃｔｔｈｅｆａｕｌｔｆｅａｔｕｒｅｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓａｃｃｕｒａｔｅｌｙａｎｄｃｌａｓｓｉｆｙｔｈｅｓｉｇｎａｌｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｓｔａｔｅｓ，ａｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｆｏｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｂａｓｅｄｏｎａｄａｐｔｉｖｅｌｏｃａｌｉｔｅｒａｔｉｖｅｆｉｌｔｅｒｉｎｇ（ＡＬＩＦ）ａｎｄｋｅｒｎｅｌｉｚｅｄｆｕｚｚｙＣ－ｍｅａｎｓ（ＫＦＣＭ）ｃｌｕｓｔｅｒｉｎｇｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅｍｕｌｔｉｍｏｄａｌｓｉｇｎａｌｉｓｄｅｃｏｍｐｏｓｅｄｉｎｔｏｍｕｌｔｉ－ｏｒｄｅｒｓｉｎｇｌｅＩＭＦｃｏｍｐｏｎｅｎｔａｄａｐｔｉｖｅｌｙ，ａｎｄｔｈｅｎｃｏｍｂｉｎｉｎｇｗｉｔｈｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔ，ｔｈｅｏｐｔｉｍａｌＩＭＦｃｏｍｐｏｎｅｎｔｓｃｏｎｔａｉｎｉｎｇｍｏｓｔｆａｕｌｔｆｅａｔｕｒｅｉｎｆｏｒｍａｔｉｏｎａｒｅｅｘｔｒａｃｔｅｄａｎｄｉｔｓａｐｐｒｏｘｉｍａｔｅｅｎｔｒｏｐｙｖａｌｕｅｉｓｃａｌｃｕｌａｔｅｄｔｏｃｏｎｓｔｒｕｃｔｔｈｅｅｉｇｅｎｖｅｃｔｏｒｍａｔｒｉｘ．Ｆｉｎａｌｌｙ，ｔｈｅｏｂｔａｉｎｅｄｅｉｇｅｎｖｅｃｔｏｒｓａｒｅｉｎｐｕｔｉｎｔｏＫＦＣＭｔｏｏｂｔａｉｎｔｈｅｃｌｕｓｔｅｒｉｎｇｒｅｓｕｌｔｓ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｍｅｔｈｏｄｓｂａｓｅｄｏｎＥＭＤ，ＥＥＭＤａｎｄＫＦＣＭｃｌｕｓｔｅｒｉｎｇ，ａｓｗｅｌｌａｓｔｈｅｍｅｔｈｏｄｓｂａｓｅｄｏｎＡＬＩＦａｎｄＦＣＭｃｌｕｓｔｅｒｉｎｇ，ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｏｆＡＬＩＦａｎｄＫＦＣＭｍｅｔｈｏｄｓｉｓｃｌｏｓｅｒｔｏ１，ｔｈｅａｖｅｒａｇｅｆｕｚｚｙｅｎｔｒｏｐｙｉｓｃｌｏｓｅｒｔｏ０，ａｎｄｔｈｅｃｌｕｓｔｅｒｉｎｇｅｆｆｅｃｔｉｓｂｅｔｔｅｒ．ＴｈｅＡＬＩＦａｎｄＫＦＣＭｍｅｔｈｏｄｓｈａｖｅｈｉｇｈｒｅｃｏｇｎｉｔｉｏｎｄｅｇｒｅｅａｎｄｇｏｏｄｃｌａｓｓｉｆｉｃａｔｉｏｎｅｆｆｅｃｔｆｏｒｖａｒｉｏｕｓｆａｕｌｔｓｉｇｎａｌｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓ．Ｋｅｙｗｏｒｄｓ：ｒｏｌｌｉｎｇｂｅａｒｉｎｇ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ；ａｄａｐｔｉｖｅｌｏｃａｌｉｔｅｒａｔｉｖｅｆｉｌｔｅｒｉｎｇ；ｋｅｒｎｅｌｉｚｅｄｆｕｚｚｙＣ－ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇ；ａｐｐｒｏｘｉｍａｔｅｅｎｔｒｏｐｙ收稿日期：２０２０－０８－１４；修回日期：２０２０－１２－２３基金项目：国家自然科学基金项目（５１７７７０７４）；河北省自然科学基金项目（Ｅ２０２０５０２０３２）；河北省第三批青年拔尖人才支持计划（［２０１８］－２７）；中央高校基本科研业务费专项资金资助项目（２０１７ＭＳ１５２）作者简介：张超（１９７８—），男，讲师，博士，主要研究方向为设备状态监测与故障诊断，Ｅ－ｍａｉｌ：ｌｅｎｇｙｕ９０１０＠１６３．ｃｏｍ。

基于改进卷积神经网络的滚动轴承故障诊断

基于改进卷积神经网络的滚动轴承故障诊断 ∗
蒙志强１ ꎬ董绍江１ ꎬ潘雪娇１ ꎬ吴文亮１ ꎬ贺坤１ ꎬ梁天１ ꎬ赵兴新２
(１. 重庆交通大学机电与车辆工程学院ꎬ重庆４０００７４ꎻ２. 重庆长江轴承股份有限公司ꎬ 重庆
４０１３３６)
摘要:针对滚动轴承故障诊断过程中ꎬ难以提取细微故障特征的问题ꎬ文章提出一种基于改进卷积
第２期
２０２０年２月
组合机床与自动化加工技术
ＭｏｄｕｌａｒＭａｃｈｉｎｅＴｏｏｌ＆ＡｕｔｏｍａｔｉｃＭａｎｕｆａｃｔｕｒｉｎｇＴｅｃｈｎｉｑｕｅ
Ｎｏ. ２
Ｆｅｂ. ２０２０
文章编号:１００１－２２６５(２０２０)０２－００７９－０５ＤＯＩ:１０. １３４６２ / ｊ. ｃｎｋｉ. ｍｍｔａｍｔ. ２０２０. ０２. ０１９
同故障位置的诊断实验ꎬ证明了所提方法能够提高故障识别率、降低训练时间、具有较好的可行性ꎮ
关键词:滚动轴承ꎻ故障诊断ꎻ多尺度ꎻ全局平均池化
中图分类号:ＴＨ１６２ꎻＴＧ５０６文献标识码:Ａ
ＦａｕｌｔＤｉａｇｎｏｓｉｓｏｆＢｏｌｌｉｎｇＢｅａｒｉｎｇＢａｓｅｄｏｎＩｍｐｒｏｖｅｄＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ
ｐｒｏｃｅｓｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇꎬ ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｂａｓｅｄｏｎｉｍ￣
ｐｒｏｖｅｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ. Ｆｉｒｓｔｌｙꎬ ｉｎｔｈｅｐｒｏｃｅｓｓｏｆｅｉｇｅｎｖａｌｕｅｅｘｔｒａｃｔｉｏｎꎬ ｔｈｅｍｕｌｔｉ￣ｓｃａｌｅｃｏｎ￣

基于局部特征尺度分解和形态学分形维数的滚动轴承故障诊断方法

基于局部特征尺度分解和形态学分形维数的滚动轴承故障诊断方法孟宗;李良良【摘要】A rolling bearing fault diagnosis method based on the morphological fractal dimension and Local Characterist-scale Decomposition is proposed. Firstly,Local Characterist-scale Decomposition is used to decompose the mechanical fault signals into a set of Intrinsic scale components,and then the morphological fractal dimension of Intrinsic scale components which contain the Intrinsic scale component characteristics is calculated. This is obtained as a characteristic parameterto judge the signal fault types. The experimental results that the proposed method based on the morphological fractal dimension and Local Characterist-scale Decomposition can realize different signal states(inner fault, outer race fault,rolling element fault and normal)about the bearing fault and the rolling fault diagnosis effectively.%提出了一种基于局部特征尺度分解与形态学分形维数的滚动轴承故障诊断方法。

基于变分模态分解和排列熵的滚动轴承故障诊断

基于变分模态分解和排列熵的滚动轴承故障诊断郑小霞;周国旺;任浩翰;符杨【摘要】滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别.对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类.通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断.%The incipient fault characteristic of rolling bearing vibration signals is weak and difficult to extract.In order to extract the characteristic parameters from a bearing vibration signal for bearing fault diagnosis,a signal characteristics extraction method based on the variational mode decomposition and permutation entropy was proposed.The support vector machine was used for faultrecognition.Firstly,the bearing vibration signal was decomposed by the variational mode decomposition,and the intrinsic mode functions were obtained in different scales.Secondly,the permutation entropy of each intrinsic mode function was calculated and used to compose the multiscale feature vector.Finally,the high-dimensional feature vector was input to the support vector machine for bearing fault diagnosis.The comparison ismade with EEMD and WPD (wavelet packet decomposition).The experimental results show that the proposed method can be used to diagnose bearing faults effectively.【期刊名称】《振动与冲击》【年(卷),期】2017(036)022【总页数】7页(P22-28)【关键词】变分模态分解;排列熵;支持向量机;滚动轴承;故障诊断【作者】郑小霞;周国旺;任浩翰;符杨【作者单位】上海电力学院自动化工程学院,上海200090;上海电力学院自动化工程学院,上海200090;上海东海风力发电有限公司,上海200090;上海电力学院自动化工程学院,上海200090【正文语种】中文【中图分类】TH212;TH213.3滚动轴承是机械设备中广泛应用的零部件，其运行状态好坏将直接影响设备的生产效率和安全。

基于局部均值分解与形态学分形维数的滚动轴承故障诊断方法

基于局部均值分解与形态学分形维数的滚动轴承故障诊断方法张亢;程军圣;杨宇
【期刊名称】《振动与冲击》
【年(卷),期】2013(032)009
【摘要】针对滚动轴承振动信号通常具有非线性与低信噪比特点,提出基于局部均值分解(Local Mean Decomposition,LMD)与形态学分形维数的滚动轴承故障诊断方法.采用LMD将滚动轴承振动信号分解为若干个乘积函数(Product Function,PF)分量,计算包含有滚动轴承故障特征的PF分量形态学分形维数,并将其用作特征量判断滚动轴承工作状态及故障类型.实验分析结果表明,该方法能有效用于滚动轴承的故障诊断.
【总页数】5页(P90-94)
【作者】张亢;程军圣;杨宇
【作者单位】湖南大学汽车车身先进设计制造国家重点实验室,长沙410082;湖南大学汽车车身先进设计制造国家重点实验室,长沙410082;湖南大学汽车车身先进设计制造国家重点实验室,长沙410082
【正文语种】中文
【中图分类】TN911.7;TH165.3
【相关文献】
1.基于局部特征尺度分解和形态学分形维数的滚动轴承故障诊断方法 [J], 孟宗;李良良
2.基于全矢局部均值分解的滚动轴承故障诊断方法 [J], 苏文芳;李凌均;韩捷;石帅锋
3.基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法 [J], 徐倩倩;刘凯;侯和平;徐卓飞
4.基于局部均值分解和K近邻算法的滚动轴承故障诊断方法 [J], 蔡锷;李春明;刘东民;谭晓伟
5.基于复局部均值分解和复信号包络谱的滚动轴承故障诊断方法 [J], 黄传金;宋海军;秦娜;陈晓;柴鹏
因版权原因，仅展示原文概要，查看原文内容请购买。

基于噪声辅助多元经验模态分解和多尺度形态学的滚动轴承故障诊断方法

基于噪声辅助多元经验模态分解和多尺度形态学的滚动轴承故障诊断方法武哲;杨绍普;任彬;马新娜;张建超【摘要】A rolling bearing fault diagnosis method was proposed based on the noise assisted multivariate empirical mode decomposition (NAMEMD)and the mathematical MD,as a noise assisted data analysis-based method,can effectively avoid shortcomings of ensemble empirical mode decomposition,such as,mode mixing and heavy computation,thus it is superior to the traditional noise assisted data analysis-based method to a certain extent.Here, NAMEMD was combined with the multiscale morphology to be used for rolling bearing fault MD was used to adaptively decompose multi-component FMand AMfault signals into a series of IMF components,the high-energy IMFs were selected to be summed for signal reconstruction.Then a multiscale morphological difference filter was employed to extract the fault characteristic frequency of signals.In order to verify the correctness of the proposed method,simulation tests and bearing fault ones were performed,the results were compared with those of EEMD and envelope demodulation-based methods.It was shown that the proposed method can further alleviate mode mixing effects,significantly improve the computation speed,bring about higher detection accuracy for the faults in outer race,inner race and roller in rolling bearings,and clearly extract the characteristic frequencies of fault signals.%为了从强噪背景中提取滚动轴承微弱故障特征，提出一种基于噪声辅助多元经验模态分解（Noise Assis-ted Multivariate Empirical Mode Decomposition，NAMEMD）和数学形态学的滚动轴承故障诊断方法。

基于变分模态分解近似熵和支持向量机的轴承故障诊断方法

ｅａｃｈＩＭＦａｒｅｃａｌｃｕｌａｔｅｄ，ｗｈｉｃｈｒｅａｔａｋｅｎａｓｆｅａｔｕｒｅｖｅｃｔｏｒ．Ｆｉｎｌｌａｙ，ｉｎｐｕｔｔｈｅｆｅａｔｕｒｅｖｅｃｔｏｒｆｏｒｔｒａｉｎｉｎｇｓｕｐｐｏｌｆｖｅｃｔｏｒ
ＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ（ＶＭＤ）ａｐｐｒｏｘｉｍａｔｅｅｎ￣ｏｐｙａｎｄｔｈｅｓｕｐｐｏ￣ｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ）．Ｆｉｒｓｔｌｙ，ｔｈｅｏｉｒｇｉｎａｌｖｉｂｒａ —
Ａｂｓｔｒａｃｔ：Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｎｏｎ—ｓｔａｔｉｏｎａｒｙｃｈａｒａｃｔｅｉｒｓｔｉｃｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓａｎｄｔｈｅｄｉｉｃｆｕｌｔｙｔｏｏｂ — ｒａｉｎａｌａｒｇｅｎｕｍｂｅｒｏｆｔｙｐｉｃａｌｆａｕｌｔｓａｍｐｌｅｓｉｎｒｅａｌｉｔｙ，ａｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｉｓｐｒｏｐｏｓｅｄ，ｗｈｉｃｈｕｓｅｓｔｈｅＶａｒｉａｔｉｏｎａｌ

基于变分模态分解和熵值理论的滚动轴承故障诊断方法研究

基于变分模态分解和熵值理论的滚动轴承故障诊断方法研究滚动轴承是机械设备中常见的关键元件之一，其运行状态的稳定性对机械设备的工作性能和寿命有着重要影响。

因此，及时准确地诊断滚动轴承的故障状态对机械设备的正常运行至关重要。

随着传感器技术和数据处理技术的不断发展，基于变分模态分解和熵值理论的滚动轴承故障诊断方法逐渐成为研究的热点。

熵值理论是信息理论中的基本概念，用于描述信号的复杂性和不确定性。

在滚动轴承故障诊断中，通过计算滚动轴承振动信号的熵值，可以量化信号的复杂程度，进而评估滚动轴承的健康状态。

当滚动轴承出现故障时，其振动信号通常会呈现出更高的熵值。

1.数据采集：使用合适的传感器对滚动轴承进行振动信号采集。

采集的振动信号应包含滚动轴承的不同工作状态和故障状态。

2.信号预处理：对采集到的振动信号进行预处理，包括滤波、降噪等处理，以提高信号质量和减少干扰。

3.变分模态分解：利用VMD方法对预处理后的振动信号进行分解，提取信号中的本征模态函数。

4.熵值计算：针对每个本征模态函数，计算其熵值。

通过比较不同本征模态函数的熵值，可以判断滚动轴承的故障状态。

5.故障诊断：根据熵值计算结果，结合预先建立的故障诊断模型，对滚动轴承的故障类型和严重程度进行诊断。

6.故障预测：根据故障诊断结果，可以对滚动轴承的故障状态进行预测，从而实现故障的提前预警。

1.可以提取滚动轴承振动信号中的不同频率成分，进而实现对不同故障类型的识别和诊断。

2.熵值计算可以量化滚动轴承振动信号的复杂度，对滚动轴承的健康状态进行评估。

3.通过与预先建立的故障诊断模型结合，可以快速准确地判断滚动轴承的故障类型和严重程度。

4.基于故障诊断结果，可以实现对滚动轴承的故障状态进行预测，并采取相应的维修措施，以避免故障进一步扩大。

综上所述，基于变分模态分解和熵值理论的滚动轴承故障诊断方法能够有效地提取滚动轴承故障信号中的故障特征，并通过计算信号的熵值评估滚动轴承的健康状态。

基于变分模态分解与快速谱峭图的齿轮箱滚动轴承故障特征提取

第 44 卷第 1 期基于变分模态分解与快速谱峭图的齿轮箱滚动轴承故障特征提取
143
文章编号：1004-2539（2020）01-0143-07
DOI：10. 16578/j. issn. 1004. 2539. 2020. 01. 024
基于变分模态分解与快速谱峭图的齿轮箱滚动轴承故障特征提取
Key words VMD Correlated kurtosis Fast-kurtogram Feature extraction
0 引言
齿轮箱作为传动机械的核心部件被广泛应用，其工作环境往往较为恶劣，其中的滚动轴承由于长期处在高速高强度的条件下，极易发生故障。一旦其出现问题，将直接影响整个设备的正常运行，严重时甚至会造成事故。因此，加强对滚动轴承的故障诊断是十分必要的。当齿轮箱滚动轴承发生故障时，其信号中除故障特征信号外还包含了大量的噪声污染，导致故障特征频率难以提取[1]。
144
机械传动
2020 年
调分析并提取故障特征频率，实现了对轴承故障的准确判别；刘长良等[8]3361-3364 提出了基于变分模态分解和模糊 C 均值聚类的滚动轴承故障诊断方法，采用观察中心频率的方法确定模态分解个数，再通过模糊 C 均值聚类进行故障识别。
共振解调法是滚动轴承故障诊断常用的方法之一，其主要通过轴承固有频率或传感器的谐振频率确定带通滤波和包络检波，实现对信号故障信息的有效分离，再通过频谱分析进行故障诊断。 [9]87-88 在传统共振解调法的基础上，Dwyer 等提出谱峭度的概念，这是一种将峭度与频谱相结合的方法，可以有效检测故障冲击信号。基于谱峭度，Antoni[10]提出了基于 STFT 的谱峭度法和快速谱峭图算法，并在故障诊断领域得到了成功应用。

基于变分模态分解改进方法的滚动轴承故障特征提取

基于变分模态分解改进方法的滚动轴承故障特征提取高红玮;张丽荣;侯少杰【摘要】In order to solve the problems that the fault feature of rolling bearing in early failure period is difficult to extract, a method for fault diagnosis of rolling bearings based on multi-correlation variational mode decomposition (MC-VMD) was presented. First, vibration signal is jointly acquired through multiple acceleration sensors and the multi-correlation process is made for the signal in order to prominent fault signal characteristics. Then VMD was used to decompose the fault signal into several intrinsic mode functions (IMFs), and then the IMF of biggest related kurtosis was analyzed by the spectral kurtosis and envelope demodulation. Finally identify the working status and fault type of rolling bearings through envelope spectrum. The proposed method was applied to actual signals. The results show that this method enables accurate diagnosis of rolling bearing fault, the analysis results demonstrated the effectiveness of the proposed method.%针对滚动轴承早期故障振动信号信噪比低、故障特征提取困难的问题，提出了基于多相关-变分模态分解(MC-VMD)的滚动轴承故障诊断方法。

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法姚成玉;来博文;陈东宁;孙飞;吕世君【摘要】提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类.首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类.将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性.与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果.%A method of fault feature extraction was proposed based on MED,VMD and fuzzy approximate entropy,and the optimized SVM was used to identify faults.The MED method was used to reduce the noise interferences and to enhance the fault feature informations in the fault signals,and the signals after noise reduction by VMD were decomposed,then,the fuzzy approximation entropy was used to quantify the modal components of fault feature informations afterVMD,and the feature vectors were constructed,Finally,the extended particle swarm optimization(EPSO) algorithm was used to optimize the penalty factors and the kernel function parameters of SVM to completethe fault recognition classification.The proposed method was applied to the experimental data of rolling bearings,and the effectiveness of the method was pared with the feature extraction method based on local mean decomposition(LMD),it is shown that the proposed method may extract the features of rolling bearing faults more accurately and may identify different faults more pared with SVM based on grid search algorithm and the least square support vector machines(LSSVM) based on EPSO algorithm,the proposed method has better classification performance and better diagnosis performance.【期刊名称】《中国机械工程》【年(卷),期】2017(028)024【总页数】12页(P3001-3012)【关键词】故障诊断;变分模态分解;最小熵解卷积;模糊近似熵;支持向量机【作者】姚成玉;来博文;陈东宁;孙飞;吕世君【作者单位】燕山大学河北省工业计算机控制工程重点实验室,秦皇岛,066004;燕山大学河北省工业计算机控制工程重点实验室,秦皇岛,066004;燕山大学河北省重型机械流体动力传输与控制重点实验室,秦皇岛,066004;先进锻压成形技术与科学教育部重点实验室(燕山大学),秦皇岛,066004;燕山大学河北省重型机械流体动力传输与控制重点实验室,秦皇岛,066004;先进锻压成形技术与科学教育部重点实验室(燕山大学),秦皇岛,066004;燕山大学河北省重型机械流体动力传输与控制重点实验室,秦皇岛,066004;先进锻压成形技术与科学教育部重点实验室(燕山大学),秦皇岛,066004【正文语种】中文【中图分类】TH165.3;TH133.33机械故障诊断技术是现代化机械系统能够安全和高效稳定运转的关键。

基于CEEMDAN模糊熵和SVM的滚动轴承故障诊断

基于CEEMDAN模糊熵和SVM的滚动轴承故障诊断刘晓婉【期刊名称】《《现代制造技术与装备》》【年(卷),期】2019(000)009【总页数】2页(P178-179)【关键词】滚动轴承; 模态分解; 模糊熵; 故障诊断【作者】刘晓婉【作者单位】长春汽车工业高等专科学校长春 130012【正文语种】中文滚动轴承作为支撑旋转轴的关键零部件被广泛应用于旋转机械设备中。

在工作条件下，由于受到载荷、润滑条件等因素影响，滚动轴承易发生局部故障，这将直接影响到同其相关联部件运行状态；若不及时发现，则可能降低整个机组性能。

因此，在机械故障诊断领域，滚动轴承状态检测与故障诊断一直是研究热点。

近年来，熵值分析法在机械故障诊断领域得到应用，其中样本熵作为信号复杂度的衡量指标，应用较为广泛。

但样本熵以硬阈值方式评估信号间的相似性，这会影响统计结构稳定性，降低计算结果可靠性。

模糊熵以模糊理论中的隶属度函数代替样本熵的硬阈值判别方法，用模糊熵作为信号特征测度，可获得较好测度效果。

基于上述分析，本文提出基于CEEDMAN模糊熵和支持向量机的滚动轴承故障诊断方法。

本方法将滚动轴承振动信号采用CEEMDAN分解成若干阶IMF分量，根据相关系数—峭度准则筛选对信号特征敏感的IMF分量，并将各敏感IMF模糊熵值作为特征向量输入SVM进行训练，对滚动轴承进行故障诊断。

通过实测滚动轴承数据分析，证明了所提方法的有效性。

1 CEEMDAN方法定义算子Ek（·）为由EMD方法分解所得的第k个IMF分量，IMFk′为CEEMDAN分解所得第k个IMF。

信号 s（n）=x（n）+ε0vi（n），ε0为所添加白噪声的标准差，vi（n）为添加的白噪声。

CEEMDAN的分解步骤如下。

第一，对信号s（n）进行I次分解，以EMD方法获取每次分解所获取的第1个IMF分量，如式（1）所示。

第二，在第一阶段（k=1），计算唯一的残余信号r1（n），如式（2）所示。

一种基于改进阶次包络谱的滚动轴承故障诊断算法

第35卷第15期振动与冲击JOURNAL OF VIBRATION AND SHOCK Vol.35 No. 15 2016一种基于改进阶次包络谱的滚动轴承故障诊断算法郝高岩，刘永强，廖英英(石家庄铁道大学机械工程学院,石家庄050043)主商要：针对变转速工况下滚动轴承故障特征的提取问题，提出了一种基于滤波定阶理论的改进阶次包络谱分析方法。

该方法在包络解调后，先对信号进行低通滤波,在确定计算阶次跟踪（C O T)的重采样频率并进行重采样后，再对重采样后的包络曲线进行离散傅里叶变换得到阶次包络谱。

通过仿真信号和实验数据对该算法进行验证，结果表明:该算法适用于变转速工况的轴承故障诊断,和传统阶次包络谱算法相比，该算法为角域重采样中重采样率的设置提供了一种方法，可以有效避免阶次混叠现象和降低重采样率。

关键词：非平稳;阶次包络谱;重采样;阶次混叠中图分类号：TH165.3 文献标志码：A D01：10.13465/j. cnki. j v s.2016.15.024A rolling bearing fault diagnosis algorithm based on improved order envelope spectrumHAO Gaoyan，LIU Yongqiang，LIAO Yingying(Department of Mechanical Engineering, Shijiazhuang Railway University, Shijiazhuang 050043, China)Abstract ：To extract fault characteristics of rolling bearings under variable speed conditions, an improved order envelope spectrum algorithm was proposed based on the method to use low-pass filter to limit frequency and order. The envelope signals were obtained after the original vibration signals were filtered with a low-pass filter, then the re-sampling frequency of C0T(computed order tracking) was determined and the filtered envelope signals were re-sampled. Finally, the improved order envelope spectrum was obtained using the absolute values of the discrete Fourier transformation of the re-sampled envelope signals. The results showed that the proposed algorithm provides a method to evaluate the re-sampling rate, the method reduces the re-sampling rate and avoids the order aliasing compared with the traditional order envelope spectrum algorithm.Key words：non-stationary；order envelope spectrum；re-sampling；order aliasing滚动轴承是旋转机械设备中应用最广泛的机械零件之一，同时也是最容易损坏的零件之一，尤其是在载荷比较大，转速变化剧烈的启停阶段更易损坏。

基于变分模态分解与随机森林的滚动轴承故障诊断

阈值法确定变分模态分解中分解个数，该方法使得分解个数的确定更科学合理，同时提出基
于变分模态分解和随机森林相结合的滚动轴承故障诊断方法，该方法利用变分模态分解方法
将滚动轴承振动信号分解成若干个固有模态函数，轴承发生不同故障时，不同的固有模态函
数内的统计特征和频带能量会发生变化，从不同的固有模态函数中计算出其对应的均值、变
（1.长春工业大学数学与统计学院，长春 130012；2.长春工业大学汽车工程研究院，长春 130012；
3.北京机械工业自动化研究所有限公司，北京 100120）
摘要：滚动轴承是常见机械设备的重要部件，其是否能正常运作，直接关联到设备生产的安全性以及
效率的高低，因此，能够及时、准确地识别滚动轴承工作状态，显得至关重要。提出了一种
提出了一种阈值法确定变分模态分解中分解个数该方法使得分解个数的确定更科学合理同时提出基于变分模态分解和随机森林相结合的滚动轴承故障诊断方法该方法利用变分模态分解方法将滚动轴承振动信号分解成若干个固有模态函数轴承发生不同故障时不同的固有模态函数内的统计特征和频带能量会发生变化从不同的固有模态函数中计算出其对应的均值变异系数与能量熵等特征值最后分别采用支持向量机和随机森林算法实现判断滚动轴承信号类型
收稿日期：2018-10-15 基金项目：国家自然科学基金（11301036）；国家自然科学基金（11226335）；国家自然科学基金（11571051）；
吉林省教育厅科研项目（JJKH20170540KJ）作者简介：秦喜文（1979 -），男，吉林梅河口人，教授，博士，主要从事数据分析与统计建模研究。
VMD算法把信号分解Function，IMF），并且每一个IMF都可以表示成一个调幅调频信号。
(1)

基于改进模糊C均值聚类的交流异步电机故障诊断方法[发明专利]

专利名称：基于改进模糊C均值聚类的交流异步电机故障诊断方法
专利类型：发明专利
发明人：刘飞,李睿彧,梁霖,徐光华
申请号：CN202010324185.7
申请日：20200422
公开号：CN111538960A
公开日：
20200814
专利内容由知识产权出版社提供
摘要：一种基于改进模糊C均值聚类的交流异步电机故障诊断方法，先同步采集交流异步电机定子三相电流信号；结合Park变换和互相关分析构造参考信号来抑制电流基频分量，突出故障特征；提取包括样本熵在内的时域指标和频域指标构成电流信号高维特征向量；通过最大似然估计计算电流信号高维特征向量本征维数并基于PCA降维对故障特征进行二次提取；基于加权欧式距离和高斯核函数改进准模糊C均值聚类算法相似性度量准则；利用萤火虫算法优化模糊C均值聚类初始聚类中心；将降维后的故障特征向量输入到改进模糊C均值聚类中进行故障类型分类；本发明在利用电流信号检测电机故障方面具有准确度高、鲁棒性强的优点。

申请人：西安交通大学
地址：710049 陕西省西安市碑林区咸宁西路28号
国籍：CN
代理机构：西安智大知识产权代理事务所
代理人：贺建斌
更多信息请下载全文后查看。

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

时段进行异常检测时散点图包含的角域序列数目一致,当对每时段数据进行异常检测时,该时段角域序列要替代相同数据的起始样本数据㊂由图10b~图10f可看出,11:00~12:00时段出现1个异常序列,12:00~13:00时段未出现异常序列, 13:00~14:00未出现异常序列,14:00~15:00时段出现11个异常序列,15:00~16:00时段出现15个异常序列㊂11:00~12:00时段出现的异常序列不具有连续性,推测是由于强噪声或短时极端天气造成,可排除该时段出现故障趋势的可能性㊂对14:00~16:00两个时段异常序列的连续性进行验证并计算异常搜索因子,结果如表3所示㊂表3 14:00~15:00及15:00~16:00时段的异常序列信息异常检测时段14:00~15:0015:00~16:00异常序列编号142~156146~156异常搜索因子(%)7.059.61 由表3可得,14:00~15:00及15:00~16:00时段的角域异常序列具有连续性,由此推断由于运行故障原因造成异常序列数目的增加,并且3号测点数据从15:00~16:00时段开始异常搜索因子已经超过8%,该时段故障预警功能触发㊂测试后将试验台齿轮箱打开,发现输出轴齿轮已经发生轻微磨损㊂该试验验证了本文提出的基于角域序列邻近度异常检测的风电机组故障预警方法的有效性及可靠性,由于风电齿轮箱故障多数属于渐变性故障,如断齿等突变性故障也是由渐变性的裂纹故障引发的,因此对风电齿轮箱渐变性故障的研究具有很好的工程价值㊂4 结论(1)阶比重采样技术在风电机组故障预警和诊断中的应用,将振动数据等间隔时域信号转化为等角度采样的角域信号,将非线性㊁非平稳振动信号线性化㊁平稳化,保证了利用新量纲一因子提取故障特征的准确性㊂(2)新构建的量纲一特征因子与传统的有无量纲因子相比,在反映变转速㊁变负荷条件下风电机组运行状态及故障趋势时具有很明显的优势,不仅对风电机组早期故障具有一定的敏感性,而且能够实现变工况条件下的运行及故障趋势预测㊂(3)将基于邻近度异常检测技术的数据挖掘技术应用到风电机组故障预警工作中,解决了仅通过某单值阈值预警低可信度的弊端㊂利用基于多维属性因子邻近度异常检测技术,制定了合理的㊁准确的风电机组故障预警机制,有效避免了在线预警的误报”㊁延报”现象㊂参考文献:[1] 何正嘉,訾艳阳,张周锁,等.大型机械设备变工况非平稳动态分析与监测诊断关键技术[J].中国机械工程,1999,10(9):978‐981.H eZ h e n g j i a,Z iY a n y a n g,Z h a n g Z h o u s u o,e t a l.K e yT e c h n o l o g i e so nD y n a m i cA n a l y s i s a n d M o n i t o r i n g‐d i a g n o s i s o fV a r y i n g O pe r a t i o na n dN o n s t a t i o n a r i t yf o rL a rg eM e ch a ni c a l E q u i p m e n t[J].C h i n aM e c h a n-i c a l E n g i n e e r i n g,1999,10(9):978‐981.[2] 吴强,孔凡让,何清波,等.基于小波变换和I C A的滚动轴承早期故障诊断[J].中国机械工程,2012, 23(7):835‐839.W uQ i a n g,K o n g F a n r a n g,H e Q i n g b o,e ta l.E a r l yF a u l t D i a g n o s i s o f R o l l i n g B e a r i n g B a s e d o nW a v e l e tT r a n s f o r ma n d I C A[J].C h i n aM e c h a n i c a l E n g i n e e r-i n g,2012,23(7):835‐839.[3] 别锋锋,刘扬,周国强,等.基于局域波法和S VM模型的往复机械故障预测方法研究[J].中国机械工程,2011,22(6):687‐691.B i eF e n g f e n g,L i u Y a n g,Z h o u G u o q i a n g,e ta l.R e-s e a r c h o n L o c a l W a v e M e t h o d a n d S VM M o d e lB a s e dP r e d i c t i o n M e t h o do fR e c i p r o c a t i n g M e c h a n i-c a l F a i l u r e[J].C h i n aM e c h a n i c a l E n g i n e e r i n g,2011,22(6):687‐691.[4] B e h r a d B,H o j a t A,R e z a L.A p p l i c a t i o n o f D a t aM i n i n g a n dF e a t u r eE x t r a c t i o no nI n t e l l i g e n tF a u l tD i a g n o s i sb y A r t i f i c i a lN e u r a lN e t w o r ka n dk‐n e a-r e s tN e i g h b o r[C]//X I X I n t e r n a t i o n a lC o n f e r e n c eo nE l e c t r i c a lM a c h i n e s.R o m e,2010:1‐7. [5] 郭瑜,秦树人.基于瞬时频率估计及时频滤波的阶比分量提取[J].中国机械工程,2003,14(17):32‐36.G u oY u,Q i nS h u r e n.O r d e rC o m p o n e n tE x t r a c t i o no nI n s t a n t a n e o u sF r e q u e n c y E s t i m a t i o na n d T i m e‐f r e q u e n c y D o m a i n F i l t e r i n g[J].C h i n a M e c h a n i c a lE n g i n e e r i n g,2003,39(3):32‐36.[6] 傅炜娜.基于V o l d‐K a l m a n跟踪滤波的旋转机械阶比分析方法研究[D].重庆:重庆大学,2010. [7] 汤宝平,何启源,魏玉果.基于角加速度的复合计算阶次跟踪方法[J].机械工程学报,2008,44(8):143‐147.T a n g B a o p i n g,H e Q i y u a n,W e i Y u g u o.H y b i r dC o m p u t e dO r d e rT r a c k i n g M e t h o dB a s e do nA n g u-l a rA c c e l e r a t i o n[J].C h i n e s eJ o u r n a lo f M e c h a n i c a lE n g i n e e r i n g,2008,44(8):143‐147.[8] T a n P a n g n i n g,S t e i n b a c h M.I n t r o d u c t i o nt o D a t aM i n i n g[M].B e i j i n g:P e a r s o nE d u c a t i o n I n c.,2006.(下转第1405页)㊃1531㊃变工况条件下的风电机组齿轮箱故障预警方法顾煜炯宋磊徐天金等Copyright©博看网. All Rights Reserved.基于拉普拉斯分值和模糊C 均值聚类的滚动轴承故障诊断欧璐于德介湖南大学汽车车身先进设计制造国家重点实验室,长沙,410082摘要:针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C 均值(F C M )聚类的滚动轴承故障诊断方法㊂该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以F C M 聚类为故障分类器,实现滚动轴承不同故障类型的识别㊂应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障㊂关键词:滚动轴承;拉普拉斯分值;模糊C 均值聚类;故障诊断中图分类号:T N 911.7;T H 165.3 D O I :10.3969/j.i s s n .1004-132X.2014.10.015R o l l i n g B e a r i n g F a u l tD i a g n o s i sB a s e do nL a p l a c i a nS c o r e a n dF u z z y C ‐m e a n sC l u s t e r i n gO uL u Y uD e ji e S t a t eK e y L a b o r a t o r y o fA d v a n c e dD e s i g na n d M a n u f a c t u r e f o rV e h i c l eB o d y,H u n a nU n i v e r s i t y ,C h a n gs h a ,410082A b s t r a c t :A c c o r d i n g t o t h en o n ‐s t a t i o n a r y f e a t u r e s a n d f u z z y f a u l t s y m p t o m s o f t h e v i b r a t i o n s i g -n a l s o f a r o l l i n g b e a r i n g w i t hf a u l t s ,a f a u l td i a g n o s i sm e t h o do f r o l l i n g b e a r i n g sw a s p r o p o s e du s i n gL a p l a c i a ns c o r e a n dF C Mc l u s t e r i n g .F i r s t l y ,t h e f e a t u r e s o f a v i b r a t i o n s i g n a l o f a r o l l i n g b e a r i n g we r e e x t r a c t e d i n t i m e d o m a i n a n df r e q u e n c y do m a i n ,f r o m w h i c h a n i n i t i a l f e a t u r e v e c t o rw a s f o r m e d .T h e n b y u s i n g L a p l a c i a n s c o r em e t h o d t o s e l e c t f e a t u r e ,f a u l t f e a t u r e v e c t o r sw e r e o b t a i n e d .F i n a l l y ,aFC M c l u s t e r i n g m e t h o dw a su s e da sa f a u l t f e a t u r ec l a s s i f i e r t or e c o g n i z ed i f f e r e n t f a u l t t y p e so f ar o l l i n g b e a r i n g .A p p l i c a t i o ne x a m p l e s a n d c o n t r a s t t e s t s s h o wt h a t t h i sm e t h o d c a nb e u s e d t o e x t r a c t t h e f e a -t u r e s o f v i b r a t i o n s i g n a l s o f r o l l i n g b e a r i n g s a n dd i a g n o s e s t h e f a u l t s o f r o l l i n g b e a r i n g s e f f e c t i v e l y.K e y wo r d s :r o l l i n g b e a r i n g ;L a p l a c i a ns c o r e ;f u z z y C ‐m e a n s (F C M )c l u s t e r i n g ;f a u l t d i a g n o s i s 收稿日期:2012 11 26基金项目:国家自然科学基金资助项目(51275161)0 引言故障诊断的模式识别方法[1‐2]不需要系统的数学模型,而是使用采集数据来分类,因此也被称为基于数据的故障诊断方法㊂滚动轴承是机械设备中最常用也是最容易损坏的元件之一,滚动轴承工作状态的好坏将直接影响到整台机械设备的工作状态,因此,对滚动轴承进行故障诊断具有十分重要的现实意义[3]㊂事实上,滚动轴承的故障诊断过程就是一个模式识别的过程㊂基于振动信号的滚动轴承故障诊断方法是工程上常用的故障诊断方法[4],这类方法大致可以分三个步骤:①故障信号的采集和预处理;②故障特征的提取;③状态识别和故障诊断㊂其中,信号采集是故障诊断的前提,特征提取和选择[5]是故障诊断的关键,而状态识别则是诊断的核心㊂只有保证采集信号的正确性,提取和选择特征的敏感性,以及状态识别方法的有效性,才能提高故障诊断的精度㊂特征选择和提取能确保提供足够多的分类信息,同时避免发生特征数目过多㊁维数较高㊁维数灾难等现象㊂根据特征选择算法的不同,特征选择方法通常分为两类:F i l t e r 法[6]和W r a p pe r 法[7]㊂F i l t e r 法独立于具体的算法,它基于数据内在结构来评价特征的好坏;W r a p pe r 法依赖具体的算法,它利用预定义的分类算法的性能来评价特征的好坏,进行特征选择㊂通常,W r a p p e r 法要优于F i l t e r 法,因为它与待分类的问题相关,结合了更多的先验信息,但是W r a p pe r 法相对于F i l t e r 法需要更多的计算时间㊂这里主要关注F i l t e r 形式的特征选择方法㊂根据训练样本的标签信息存在与否,特征选择方法还可以按照监督信息的有无,分为监督式和无监督式两种㊂F i s h -e r 分值[8]是一种典型的监督式特征选择算法,它优先选择那些最具有区分能力的特征为候选特征,但是它仅仅关注了特征的区分能力,而没有考虑样本的局部信息保持能力;V a r i a n t 分值[8]是最简单的无监督式特征选择算法,该算法认为具有较大方差的特征意味着有更强的表示能力,因而优先选择方差较大的特征作为候选特征;L a p l a -㊃2531㊃中国机械工程第25卷第10期2014年5月下半月Copyright ©博看网. All Rights Reserved.c i a n 分值[9]是另一种无监督特征算法,它结合特征的局部信息保持能力和V a r i a n t 分值来进行特征选择,该方法已经应用到图像识别[10]㊁生物医学数据处理[11]等领域,但在故障诊断领域尚无应用㊂滚动轴承运行状态从正常到异常是一个渐变过程,所表现出来的征兆在许多情况下具有模糊性,而以模糊数学为理论基础的聚类分析方法为解决该类模糊性问题提供了新的途径㊂模糊聚类分析是一种有效的模式识别方法,在众多模糊聚类算法中,模糊C 均值(f u z z y C‐m e a n s ,F C M )聚类算法[12‐13]理论较完善,聚类效果较好,已在很多领域得到了成功应用[14‐16]㊂利用F C M 聚类能有效解决滚动轴承故障渐变中的特征模糊性问题㊂本文将拉普拉斯分值(L a pl a c i a ns c o r e )和F C M 聚类相结合进行滚动轴承故障诊断㊂首先,对滚动轴承振动信号在时域和频域分别提取特征,形成初始特征集,然后用拉普拉斯分值进行特征选择,形成特征向量,最后采用F C M 聚类算法对滚动轴承工作状态和故障类型进行分类㊂对滚动轴承振动信号的实验结果表明,该方法可以有效地应用于滚动轴承故障的诊断㊂1 故障特征提取与选择1.1 滚动轴承故障特征提取当设备出现故障时,时域信号的幅值和概率分布将会发生变化,信号中的频率成分㊁不同频谱的谱峰位置也将发生变化,因此,通过描述信号时域波形和频域波形分布等特征,可以反映振动信号的时域和频域信息,从而指示故障的出现㊂为了获取更多的故障信息,这里综合利用时域和频域特征参数㊂首先,提取信号的16个时域特征参数(p 1~p 16)和13个频域特征参数(p17~p 29),然后用同样的方法提取H i l b e r t 包络谱的13个频域特征参数(p 30~p 42),一共得到42个特征参数,其中特征参数p 1~p 29如下:p1=∑Nn =1x (n )Np 2=∑Nn =1(x (n )-p 1)2N -1p3=(∑Nn =1|x (n )|N)2 p 4=∑N n =1|x (n )|Np5=∑Nn =1(x (n ))3Np 6=∑Nn =1(x (n ))4Np7=∑Nn =1(x (n ))2Np 8=ma x |x (n )|p9=m i n |x (n )| p 10=p 8-p 9p 11=p 2/p 4 p 12=p 8/p2p 13=p 8/p 4 p 14=p 8/p3p 15=p 5/(p 7)3 p 16=p 6/p 27p17=∑Kk =1y (k )Kp 18=∑Kk =1(y (k )-p 17)2K -1p19=∑Kk =1(y (k )-p 17)3K (p 18)3p 20=∑Kk =1(y (k )-p 17)4K p 218p21=∑Kk =1(f k y (k ))∑Kk =1y (k ) p 22=∑Kk =1[(f k-p 21)2y (k )]Kp23=∑K k =1(f 2ky (k ))∑Kk =1y (k ) p 24=∑Kk =1(f 4ky (k ))∑Kk =1(f 2ky (k ))p25=∑K k =1(f 2ky (k ))∑Kk =1(f 4ky (k ))㊃∑Kk =1y (k ) p 26=p 22/p21p27=∑Kk =1[(f k-p 21)3y (k )]K p 322p28=∑Kk =1[(f k-p 21)4y (k )]K p 422p29=∑Kk =1(|fk-p 21|y (k ))K p 22式中,x (n )为时域信号序列,n =1,2, ,N ;N 为样本点数;y (k )为信号x (n )的频谱,k =1,2, ,K ;K 为谱线数:fk 为第k 条谱线的频率值㊂时域特征参数p 1~p 10是有量纲的统计量,包括均值㊁均方根值㊁方根幅值㊁偏斜度和峭度等;p 11~p 16是量纲一统计量,包括波形指标㊁峰值指标㊁脉冲指标㊁裕度指标㊁偏斜度指标和峭度指标㊂频域特征参数包括均值频率㊁均方根频率㊁方差频率和中心频率等,其中p 17反映频域振动能量的大小,p 21和p 23~p 25反映主频带位置的变化,p 18~p 20,p 22和p 26~p 29表示频谱的分散或者集中程度㊂1.2 基于拉普拉斯分值的特征选择[9]尽管根据以上特征可以从不同角度来识别设备中出现的故障,但是它们对于不同的故障具有不同的敏感程度㊂一部分特征与故障密切相关,另外一部分特征则是无关或者冗余的特征㊂因此,将特征集输入分类器之前,需要将与故障密切相关的敏感特征选择出来,剔除其他不相关特征以提高分类的性能,避免维数灾难㊂㊃3531㊃基于拉普拉斯分值和模糊C 均值聚类的滚动轴承故障诊断欧璐于德介Copyright ©博看网. All Rights Reserved.由H e等[9]提出的拉普拉斯分值以拉普拉斯特征值映射(L a p l a c i a ne i g e n m a p s)[17]和局部保持投影(l o c a l i t yp r e s e r v i n gp r o j e c t i o n)[18]为基础,其基本思想是:通过局部保持能力来衡量特征,通过直接对特征集进行学习提取数据内在的信息结构,将复杂的高维特征空间转化为简单的低维特征空间,在特征空间中选取分值较小的特征,极大程度地保留了故障信号特征集合中内含的整体几何结构信息,从而利于滚动轴承故障判别与诊断㊂令L r为第r个特征的拉普拉斯分值,f r i为第i个样本的第r个特征(i=1,2, ,m),则基于拉普拉斯分值的特征选择步骤如下:(1)用m个样本点构建一个近邻图G,第i个节点对应x i㊂如果x i与x j足够近,则有边连接,例如,x i是x j的k近邻节点或者x j是x i的k近邻节点,否则,没有边连接㊂当节点的标号已知时,可以在同一标号的两节点之间连接一条边㊂(2)如果节点i与节点j是连通的,则令S i j=e x p(-‖x i-x j‖2/t) i,j=1,2, ,m 式中,t是一个合适的常数;‖㊃‖表示欧氏距离㊂否则,S i j=0㊂加权矩阵S称为图G的相似矩阵,它用来衡量近邻样本点之间的相似性,描述了数据空间的固有局部几何结构;S中元素的值越大,表明两个样本越相近,越有可能属于同一类,反之,则越有可能属于不同类㊂(3)对于第r个特征,定义f r=(f r1,f r2, ,f r m)T, D=S II=(1,1, ,1)T, L=D-SD为对角阵,矩阵L称为图G的拉普拉斯矩阵㊂为了避免发生某些维度数据差异很大而主导近邻图的构造的现象,对各个特征进行去均值化处理,得到~f r=f r-f T r D II T D I I(4)计算第r个特征的拉普拉斯分值:L r=∑i j(f r i-f r j)2S i jV a r(f r)=~f T r L~f r ~f T r D~f r式中,V a r(f r)为第r个特征的方差㊂S i j越大,(f r i-f r j)2越小,表明样本在该特征上的差异越小,即该特征的局部信息保持能力越强㊂计算每一个特征的得分,从低到高对这些特征得分进行排序,排在越靠前的特征越重要㊂分子越小表示近邻的样本在该特征上的差异越小,即该特征的局部信息保持能力越强;分母越大表示样本在该特征上差异越大,即该特征的区分能力越强㊂因此,特征得分与特征重要性成反比,即特征得分越低,该特征越具有特征选择的重要性㊂所以,拉普拉斯分值特征选择法选取L r值最小的前若干个特征作为特征选择的结果㊂2 F C M聚类算法F C M算法是一种基于划分的聚类算法,其思想就是使得被划分到同一簇的对象之间的相似度最大,而不同簇之间的相似度最小㊂F C M算法是普通C均值算法的改进,普通C均值算法对于数据的划分是硬性的,而F C M算法则是一种柔性的模糊划分㊂F C M算法的目标函数为J m=∑c k=1∑N i=1u m k i‖x i-v k‖2其中,X={x i,i=1,2, ,N|x i∈R d}为数据集; c为聚类的类别;m为模糊加权指数;V=(v k)1×c 为聚类中心矩阵,v k是第k类的类中心;U= (u k i)c×N为模糊隶属度矩阵,且满足约束条件{u k i∈[0,1]|∑c k=1u k i=1,∀i;0<∑N i=1u k i<N,∀k}其中,u k i为点x i属于第k类的程度即隶属度㊂隶属度函数和聚类中心函数通过下面的公式迭代更新:u k i=[∑c l=1(‖x i-v k‖/‖x i-v l‖)2/(m-1)]-1v k=∑N i=1u m k i x i/∑N i=1u m k i3 故障诊断流程基于拉普拉斯分值和F C M聚类的滚动轴承故障诊断步骤如下:(1)分别提取振动信号时域㊁频域和包络谱频域的特征,共计42个特征参数,组成初始特征集㊂(2)对初始特征集中的特征分别计算其拉普拉斯分值,按照从小到达的顺序选择若干个特征形成特征矩阵㊂(3)最后对特征矩阵采用F C M聚类方法聚类,从而实现对滚动轴承故障的诊断㊂基于拉普拉斯分值和F C M聚类的滚动轴承故障诊断流程如图1所示㊂图1 故障诊断流程图㊃4531㊃中国机械工程第25卷第10期2014年5月下半月Copyright©博看网. All Rights Reserved.4 应用实例为了验证本文方法的有效性,用本文方法对实测滚动轴承故障振动信号进行分析㊂试验数据采用美国C a s e W e s t e r nR e s e r v eU n i v e r s i t y电气工程实验室的滚动轴承试验数据[19]㊂测试轴承为6205‐2R SJ E M S K F深沟球轴承,电机负载约为735.5W,轴承转速为1772r/m i n㊂试验中使用电火花加工技术在轴承上布置单点故障,故障直径为0.3556mm,深度为0.2794mm,在此情况下采集到正常㊁内圈单点电蚀㊁外圈单点电蚀和滚动体单点电蚀四种状态的振动信号,信号采样频率为12k H z,数据样本长度为2048㊂正常㊁滚动体故障㊁内圈故障和外圈故障四种状态下轴承的振动加速度信号如图2所示㊂图2 四种不同状态下轴承振动信号的时域波形对于上述四种状态轴承的振动信号,每种状态取10组样本,随机选取其中的5组(20个)样本用来训练,剩余5组(20个)样本用来测试㊂在训练样本中,序号1~5为正常状态轴承振动信号,序号6~10为滚动体故障轴承振动信号,序号11~15为内圈故障轴承振动信号,序号16~20为外圈故障轴承振动信号㊂采用拉普拉斯分值法对训练数据进行处理㊂首先,取k=4构造近邻图G,根据图G计算得到训练样本之间的相似矩阵S,从而得到训练样本各个特征的拉普拉斯分值;然后按照从小到大的顺序取8个特征参数(分别为p28㊁p21㊁p27㊁p25㊁p30㊁p23㊁p42㊁p3)作为每个样本的特征向量,取m=2,变化门限e=0.0001,用F C M聚类方法对其聚类,得到训练样本输出结果如图3所示㊂把样本训练得到的8个特征参数作为测试样本的特征向量,用F C M聚类方法聚类,输出结果如图4所示㊂同时,为了与拉普拉斯分值特征提取方法进行对比,在特征集中随机选取8个特征参数(分别为p26㊁p1㊁p12㊁p34㊁p36㊁p13㊁p38㊁p37)进行对比试验,用F C M聚类方法聚类,输出结果如图5所示㊂图3 训练样本F C M聚类结果图4 测试样本F C M聚类结果图5 对比试验F C M聚类结果从训练样本输出结果(图3)可以看出,当λ大致位于0.56~0.60之间时,划分结果为4类,即把不同状态类型很好地区别开来,而且各类结果中的样本属于同一种故障类型㊂由此可以根据λ的数值范围获得测试样本的故障类别数,并判断故障类别㊂由测试样本输出结果(图4)可以看出,当λ位于0.54~0.60之间时,划分结果为4类,与训练样本的划分结果一致㊂同时,不仅识别出了正常状态与故障状态,而且识别出了不同的故障模式,结果与实际情况完全一致,符合实验预期㊂从对比实验输出结果(图5)可以看出,当λ位于0.50附近的时候,划分结果为2类,可以识别出正常状态与故障状态,但对其余故障模式没有识别能力㊂对以上两组实验的特征参数分别采用K近㊃5531㊃基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断欧璐于德介Copyright©博看网. All Rights Reserved.邻(K N N)分类算法和F C M聚类方法进行故障识别,结果如表1所示㊂可以看出,对于随机提取的特征,无论是K N N算法还是F C M算法都有4个样本识别错误;对于拉普拉斯分值方法提取的特征,K N N方法有3个样本识别错误,而F C M聚类方法没有错误分类的样本,因此,基于拉普拉斯分值和F C M聚类方法的故障诊断方法更优越㊂表1 K N N分类结果分类器随机提取结果(错误数/总数)拉普拉斯分值提取结果(错误数/总数)K N N4/203/20F C M4/200/20应用实例说明了拉普拉斯分值可以从高维特征集中选取与故障模式密切相关的特征,使得特征集不含无关或者冗余的特征,从而有利于F C M 聚类取得好的分类效果,提高故障诊断准确率㊂这说明,本文提出的方法能够有效地实现滚动轴承故障类别的诊断㊂5 结论(1)拉普拉斯分值方法与F C M聚类算法结合是一种行之有效的混合智能故障诊断方法㊂应用实例表明,该方法能够有效地实现滚动轴承故障类别的诊断,在复杂机械设备故障诊断中具有广阔的应用前景㊂(2)拉普拉斯分值方法是通过局部保持能力来衡量特征的无监督的特征选择方法,该方法能有效提取故障分辨率高的特征,减少无关或冗余特征,从而提高故障诊断识别准确度㊂参考文献:[1] D i a l l oD,B e n b o u z i dM E H,H a m a dD,e t a l.F a u l tD e t e c t i o na n d D i a g n o s i si n a nI n d u c t i o n M a c h i n eD r i v e:a P a t t e r n R e c o g n i t i o n A p p r o a c h B a s e d o nC o n c o r d i aS t a t o r M e a n C u r r e n t V e c t o r[J].I E E ET r a n s.E n e r g y C o n v e r s,2005,20(3):512‐519. [2] O n d e lO,C l e r cG,B o u t l e u xE,e t a l.F a u l tD e t e c-t i o na n dD i a g n o s i s i naS e t I n v e r t e r‐i n d u c t i o n M a-c h i n e t h r o u g h M u l t id i me n s i o n a lM e m b e r s h i p F u n c-t i o na n dP a t t e r nR e c o g n i t i o n[J].I E E E T r a n s.E n-e r g y C o n v e r s i o n,2009,24(2):431‐441.[3] 杨宇,于德介,程军圣.基于经验模态分解的滚动轴承故障诊断方法[J].中国机械工程,2004,15(10):909‐911.Y a n g Y u,Y uD e j i e,C h e n g J u n s h e n g.R o l l e rB e a r-i n g F a u l t D i a g n o s i s M e t h o d B a s e d o n E M D[J].C h i n a M e c h a n i c a lE n g i n e e r i n g,2004,15(10):909‐911.[4] 何正嘉,陈进,王太勇,等.机械故障诊断理论及应用[M].北京:高等教育出版社,2010. [5] G u oH,J a c kLB,N a n d iA K.F e a t u r eG e n e r a t i o nU s i n g G e n e t i c P r o g r a mm i n g w i t h A p p l i c a t i o n t oF a u l tC l a s s i f i c a t i o n[J].I E E E T r a n s a c t i o no nS y s-t e m M a na n dC y b e r n e t i c s,2005,35(1):89‐99.[6] D y JG,B r o d l e y C E.F e a t u r eS e l e c t i o nf o rU n s u-p e r v i s e dL e a r n i n g[J].J o u r n a l o f M a c h i n eL e a r n i n gR e s e a r c h,2004,5:845‐889.[7] K o h a v iR,J o h nG H.W r a p p e r s f o rF e a t u r eS u b s e tS e l e c t i o n[J].A r t i f i c i a l I n t e l l i g e n c e,1997(1/2):273‐324.[8] B i s h o p C M.N e u r a lN e t w o r k s f o rP a t t e r nR e c o g n i-t i o n[M].O x f o r d:O x f o r dU n i v e r s i t y P r e s s,1995.[9] H eX i a o f e i,C a iD,N i y o g iP.L a p l a c i a nS c o r e f o rF e a t u r e S e l e c t i o n[C]//A d v a n c e s i nN e u r a l I n f o r m a-t i o n P r o c e s s i n g S y s t e m.C a m b r i d g e,MA:M I TP r e s s,2005.[10] X i a oY u a n j i n g,S h e n g L i,Z h a n g D.S u p e r v i s e d a n dU n s u p e r v i s e dP a r a l l e l S u b s p a c eL e a r n i n g f o r L a r g eS c a l e I m a g eR e c o g n i t i o n[J].C i r c u i t s a n dS y s t e m sf o rV i d e oT e c h n o l og y,2012,22(10):1497‐1511.[11] S o l o r i o‐F e r n a n d e z S,M a r t i n e z‐T r i n i d a dJ F,C a r r a s c o‐O c h o a JA,e t a l.H y b r i dF e a t u r e S e l e c t i o nM e t h o d f o rB i o m e d i c a lD a t a s e t s[C]//2012I E E ES y m p o s i u m o nC o m p u t a t i o n a l I n t e l l i g e n c e i n B i o i n f o r m a t i c s a n dC o m p u t a t i o n a l B i o l o g y(C I B C B).S a nD i e g o,C A,2012:150‐155.[12] 尹安东,赵韩,羊拯民.基于小波变换模糊聚类的变速箱齿轮故障诊断[J].中国机械工程,2006,17(20):1221‐1225.Y i n A n d o n g,Z h a o H a n,Y a n g Z h e n g m i n.R e-s e a r c ho n t h eF a u l t D i a g n o s i s o fV e h i c l eT r a n s m i s-s i o n G e a r B a s e d o n W a v e l e t T r a n s f o r m‐F u z z yC l u s t e r[J].C h i n a M e c h a n i c a lE n g i n e e r i n g,2006,17(20):1221‐1225.[13] G a oXB,X i eW X.A d v a n c e s i nT h e o r y a n dA p p l i-c a t i o no f F u z z y C l u s t e r i n g[J].C h i n e s e S c i e n c eB u l-l e t i n,2000,45(11):961‐970.[14] M e n g K,D o n g Z Y,W a n g D H,e ta l.A S e l f‐a d a p t i v eR B FN e u r a l N e t w o r kC l a s s i f i e r f o rT r a n s-f o r m e rF a u l t A n a l y s i s[J].I E E E T r a n s.P o w e rS y s t.,2010,25(3):1350‐1360.[15] 刘雪梅,张树生,董文胜,等.逆向工程中基于S O F M和F C M的组合分区算法[J].中国机械工程,2007,18(2):183‐183.L i uX u e m e i,Z h a n g S h u s h e n g,D o n g W e n s h e n g.C o m b i n a t o r i a lS e g m e n t a t i o n A l g o r i t h m o f P o i n tC l o u dB a s e do nS O F Ma n dF C Mi nR e v e r s eE n g i-n e e r i n g[J].C h i n a M e c h a n i c a lE n g i n e e r i n g,2007,18(2):183‐183.㊃6531㊃中国机械工程第25卷第10期2014年5月下半月Copyright©博看网. All Rights Reserved.。

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断
欧璐;于德介
【期刊名称】《中国机械工程》
【年(卷),期】2014(000)010
【摘要】针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性，提出了
基于拉普拉斯分值和模糊C均值(FCM)聚类的滚动轴承故障诊断方法。

该方法首
先在时域和频域对滚动轴承振动信号进行特征提取，组成初始特征向量；然后利用拉普拉斯分值进行特征选择，形成故障特征向量；最后以FCM聚类为故障分类器，实现滚动轴承不同故障类型的识别。

应用实例和对比实验表明，该方法能有效提取滚动轴承振动信号特征，诊断滚动轴承故障。

【总页数】6页(P1352-1356,1357)
【作者】欧璐;于德介
【作者单位】湖南大学汽车车身先进设计制造国家重点实验室，长沙，410082;湖南大学汽车车身先进设计制造国家重点实验室，长沙，410082
【正文语种】中文
【中图分类】TN911.7;TH165.3
【相关文献】
1.基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型 [J],
程军圣;郑近德;杨宇;罗颂荣
2.基于VMD和拉普拉斯分值的柴油机故障诊断 [J], 吉哲;傅忠谦
3.基于拉普拉斯分值和超球支持向量机的轴承故障诊断方法设计 [J], 冯慧玲;常国权;孔娟
4.基于拉普拉斯分值和鲸鱼寻优SVM的滚动轴承故障诊断 [J], 白丽丽; 韩振南; 任家骏; 秦晓峰
5.基于监督拉普拉斯分值和主元分析的滚动轴承故障诊断 [J], 欧璐;于德介
因版权原因，仅展示原文概要，查看原文内容请购买。

基于EEMD和模糊C均值聚类算法诊断发动机曲轴轴承故障

基于EEMD和模糊C均值聚类算法诊断发动机曲轴轴承故障张玲玲;廖红云;曹亚娟;骆诗定;赵懿冠【期刊名称】《内燃机学报》【年(卷),期】2011(029)004【摘要】针对发动机振动信号的非平稳性以及特征参数的模糊性特点,提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）和模糊C均值聚类（Fuzzy Center Mean,FCM）的故障诊断方法,通过对已知故障样本信号进行EEMD分解,形成初始特征向量矩阵;对该矩阵进行奇异值分解,将矩阵的奇异值组成故障特征向量,标准化后作为FCM的输入,得到分类矩阵和聚类中心;最后通过计算待测故障样本与已知故障样本聚类中心的贴近度实现故障模式识别.故障诊断实例表明,该【总页数】5页(P332-336)【作者】张玲玲;廖红云;曹亚娟;骆诗定;赵懿冠【作者单位】军械上程学院火炮工程系,河北石家庄050003;军事交通学院汽车工程系,天津300161;军事交通学院汽车工程系,天津300161;军事交通学院汽车工程系,天津300161;军事交通学院汽车工程系,天津300161【正文语种】中文【中图分类】TK428【相关文献】1.基于LMD和模糊C均值聚类算法的发动机连杆轴承故障诊断 [J], 王国威;常春;曾锐利;杨青乐;张阳光2.基于小波包-模糊C均值聚类算法诊断曲轴轴承故障 [J], 张威;肖云魁;司爱威;江红辉;傅钰;黄华飞3.基于EEMD的ICA算法在轴承－丝杠复合故障诊断中的应用 [J], 李善;谭继文;俞昆4.基于EEMD能量熵和混合算法的电机轴承故障诊断 [J], 王福忠; 冯文成; 韩素敏; 姚磊5.CEEMDAN辅助快速谱峭度图算法的轴承故障诊断 [J], 吉南阳; 王丽君因版权原因，仅展示原文概要，查看原文内容请购买。