基于图拉普拉斯矩阵和改进K均值聚类的滚动轴承故障诊断
Fault diagnosis of rolling bearings based on graph Laplacian matrix and improved K-means clustering作者机构:北京建筑大学机电与车辆工程学院北京100044 北京市建筑安全监测工程技术研究中心北京100044
出 版 物:《电子测量技术》 (Electronic Measurement Technology)
年 卷 期:2021年第44卷第10期
页 面:45-51页
学科分类:080202[工学-机械电子工程] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 080201[工学-机械制造及其自动化]
基 金:国家自然科学基金项目(51875032) 北京建筑大学市属高校基本科研业务费专项资金(X20061)资助
摘 要:由于轴承的振动信号中往往蕴含大量的干扰信号,高效提取故障特征并进行分类识别是轴承诊断工作的关键所在。传统的故障特征提取方法往往需要多种表征不同故障的指标集合,本文提出了一种基于马氏距离加权的Laplace矩阵和改进K均值聚类的轴承故障诊断方法。首先将轴承的时域离散信号映射到图形域以获得图信号,通过马氏距离加权和图信号的代数形式Laplace矩阵得到表征轴承不同故障状态的特征指标集合,再应用改进K均值聚类思想将特征指标集合进行评估和分类,以实现通过单一指标对不同故障状态轴承准确分类的目的。实验结果表明,基于马氏距离加权的Laplace矩阵和改进K均值聚类的轴承诊断方法能够有效提取不同故障的特征指标并进行准确分类,同时,该方法在单一指标分类上正确率远高于传统故障特征提取方法。