数据缺失条件下基于ANFIS与k-means的轴承故障分析

发布时间：2022-01-22 16:55

　　针对轴承信号数据信息采集过程中轴承数据缺失导致轴承故障类型无法识别问题,提出了一种基于自适应神经模糊推理系统（ANFIS）和k-means聚类算法相结合的轴承故障分析模型和方法。首先,基于ANFIS算法建立数据预测模型,利用75%的轴承故障数据作为训练样本,对缺失信号数据进行预测,同时与采集到的信号数据整合形成完整的数据集,然后利用k-means算法进行轴承故障诊断,最后将ANFIS-k均值方法与传统k-means算法进行比较,实验结果表明本文提出的模型和方法分类效果更加准确。 

【文章来源】：组合机床与自动化加工技术. 2020,(09)北大核心

【文章页数】：4 页

【部分图文】：

滚动体振动加速度模拟值与实际值的比较

如图1所示,ANFIS结构图可分为5层,每层所实现的功能如下:第1层:第一层是输入层也称为模糊化层完成输入变量的模糊化,输出对应模糊集的隶属度,该层的每个结点j都是具有结点函数的自适应结点。

ANFIS-k均值轴承故障诊断混合模型流程图

【参考文献】：
期刊论文
[1]基于Alpha稳定分布的滚动轴承故障信号分析[J]. 郭卫宫,周鸿涛,谭学祥.  农业装备与车辆工程. 2019(02)
[2]基于GA-AW-PSO的动态盲源分离轴承故障检测研究[J]. 张天骐,马宝泽,强幸子,全盛荣.  系统仿真学报. 2018(06)
[3]LCD、k-means与ICA相结合的滚动轴承故障诊断方法[J]. 孟凡磊,崔伟成,李伟,刘林密.  机械科学与技术. 2017(09)
[4]自适应神经模糊推理系统（ANFIS）及其仿真[J]. 张小娟.  电子设计工程. 2012(05)



本文编号：3602564