为了精准、稳定地提取滚动轴承故障特征,提出了基于变分模态分解和奇异值分解的特征提取方法,采用标准模糊C均值聚类(fuzzy C means clustering,FCM)进行故障识别。对同一负荷下的已知故障信号进行变分模态分解,利用奇异值分解技术进一...为了精准、稳定地提取滚动轴承故障特征,提出了基于变分模态分解和奇异值分解的特征提取方法,采用标准模糊C均值聚类(fuzzy C means clustering,FCM)进行故障识别。对同一负荷下的已知故障信号进行变分模态分解,利用奇异值分解技术进一步提取各模态特征,通过FCM形成标准聚类中心,采用海明贴近度对测试样本进行分类,并通过计算分类系数和平均模糊熵对分类性能进行评价,将该方法应用于滚动轴承变负荷故障诊断。通过与基于经验模态分解的特征提取方法对比,该方法对标准FCM初始化条件不敏感,在同负荷故障诊断中表现出更好的分类性能;变负荷故障诊断时,除外圈故障特征线发生明显迁移,其他测试样本故障特征线仍在原聚类中心附近,整体故障识别率保持在100%,因此,该方法能精确、稳定提取故障特征,为实际滚动轴承智能故障诊断提供参考。展开更多
文摘为了精准、稳定地提取滚动轴承故障特征,提出了基于变分模态分解和奇异值分解的特征提取方法,采用标准模糊C均值聚类(fuzzy C means clustering,FCM)进行故障识别。对同一负荷下的已知故障信号进行变分模态分解,利用奇异值分解技术进一步提取各模态特征,通过FCM形成标准聚类中心,采用海明贴近度对测试样本进行分类,并通过计算分类系数和平均模糊熵对分类性能进行评价,将该方法应用于滚动轴承变负荷故障诊断。通过与基于经验模态分解的特征提取方法对比,该方法对标准FCM初始化条件不敏感,在同负荷故障诊断中表现出更好的分类性能;变负荷故障诊断时,除外圈故障特征线发生明显迁移,其他测试样本故障特征线仍在原聚类中心附近,整体故障识别率保持在100%,因此,该方法能精确、稳定提取故障特征,为实际滚动轴承智能故障诊断提供参考。
