基于EEMD能量比和GG聚类的滚动轴承故障诊断

发布时间：2020-12-14 19:34

　　针对滚动轴承故障特征提取困难导致故障类型难以辨识的问题,提出基于集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）和GG（Gath-Geva,GG）聚类的轴承故障诊断方法。首先,使用EEMD分解方法对轴承的振动信号进行分解,结合相关系数原则提取含有主要故障信息的4个固有模态函数（IMF）分量,计算其能量百分比作为特征值,再用GG聚类对特征值进行聚类分析。通过仿真验证了GG聚类的优越性,然后采用文中提出的GG聚类方法与FCM聚类、GK聚类对轴承故障数据的聚类效果进行对比分析,验证了文中所提方法在滚动轴承故障识别中的可行性。 

【文章来源】：组合机床与自动化加工技术. 2020年05期 北大核心

【文章页数】：6 页

【部分图文】：

GK聚类结果

GK聚类结果

EEMD方法流程

【参考文献】：
期刊论文
[1]基于EEMD与FCM聚类的自动机故障诊断[J]. 张玉学,潘宏侠,安邦.  中国测试. 2017(03)
[2]基于EEMD模糊熵的PCA-GG滚动轴承聚类故障诊断[J]. 许凡,方彦军,张荣.  计算机集成制造系统. 2016(11)
[3]一种基于EEMD-SVD和FCM的轴承故障诊断方法[J]. 张立国,康乐,金梅,李盼.  计量学报. 2016 (01)
[4]基于EEMD形态谱和KFCM聚类集成的滚动轴承故障诊断方法研究[J]. 郑直,姜万录,胡浩松,朱勇,李扬.  振动工程学报. 2015(02)



本文编号：2916908