基于多域熵与FCM聚类的故障诊断模型

发布时间：2018-01-11 14:25

  本文关键词：基于多域熵与FCM聚类的故障诊断模型　出处：《组合机床与自动化加工技术》2016年08期 　论文类型：期刊论文

  更多相关文章： 多域熵 FCM聚类 故障诊断

【摘要】：针对传统故障诊断中,特征的有效提取依赖于降噪的效果,提出一种基于多域熵与模糊C均值聚类的故障诊断模型。采集设备运行过程中的振动信号,分别计算其小波包能量熵、功率谱熵和近似熵,其反映了振动信息在小波域、频域以及时域内的复杂程度。将其作为设备运行特征向量,通过模糊C均值聚类对设备状态进行识别。利用轴承故障实验和转子故障实验验证基于多域熵与FCM聚类的故障诊断模型,结果表明该方法地对故障类别以及故障程度的识别分类具有良好的效果。
[Abstract]:In the traditional fault diagnosis, the effective extraction of features depends on the effect of noise reduction. A fault diagnosis model based on multi-domain entropy and fuzzy C-means clustering is proposed to collect the vibration signals during the operation of the equipment. The wavelet packet energy entropy, power spectrum entropy and approximate entropy are calculated respectively, which reflect the complexity of vibration information in wavelet domain, frequency domain and time domain. The fault diagnosis model based on multi-domain entropy and FCM clustering is verified by using bearing fault experiment and rotor fault experiment. The results show that the method has a good effect on fault classification and classification.
【作者单位】： 北京信息科技大学机电工程学院;北京信息科技大学现代测控技术教育部重点实验室;
【基金】：国家自然科学基金资助项目(51575055) 国家科技重大专项(2015ZX04001002)
【分类号】：TH17
【正文快照】： 0引言故障诊断是保障机械设备正常运行的关键技术之一[1]。传统故障诊断技术依赖于对振动信号在时频域的特征提取,常采用的特征包括:峰峰值、有效值、峭度等。但是由于机械振动信号通常是非线性、非平稳的且受到大量噪声干扰,因此传统信号特征提取方法具有一定的局限性。信息，

本文编号：1409913