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

作     者：郑直 姜万录 胡浩松 朱勇 李扬 ZHENG Zhi;J IANG Wan-lu;HU Hao-song;Z HU Yong;LI Yang

作者机构：燕山大学河北省重型机械流体动力传输与控制重点实验室河北秦皇岛066004 燕山大学先进锻压成形技术与科学教育部重点实验室河北秦皇岛066004 

出 版 物：《振动工程学报》 (Journal of Vibration Engineering)

年 卷 期：2015年第28卷第2期

页      面：324-330页

核心收录：

学科分类：080202[工学-机械电子工程] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0838[工学-公安技术] 0802[工学-机械工程] 

基　　金：国家重点基础研究发展计划(973计划)资助项目(2014CB046405) 国家自然科学基金资助项目(51475405 51075349) 河北省自然科学基金资助项目(E2013203161) 

主　　题：故障诊断 滚动轴承 集总经验模态分解 形态谱 核模糊 C 均值聚类 

摘      要：针对滚动轴承的故障诊断问题,提出了一种基于集总经验模态分解(EEMD)、形态谱特征提取和核模糊C均值聚类(KFCMC)集成的故障诊断新方法。首先,对实测的滚动轴承振动信号进行EEMD分解,得到若干个代表不同振动模态的内禀模态函数(IMF);其次,基于峭度、能量和均方差三个评价指标,从分解得到的若干个IMF分量中选出含有故障特征信息最丰富的3个IMF分量作为诊断用的数据源;然后在选定尺度范围内提取每个IMF分量的形态谱平均值,将三个形态谱平均值构成一个三维特征向量,作为一个样本,形成样本集;最后,利用KFCMC完成对滚动轴承不同故障的分类识别。此外,为了对比说明该方法的识别效果,还将振动信号用经验模态分解(EMD)方法进行分解,用模糊C均值聚类(FCMC)进行分类识别,结果表明所提方法的识别效果要优于EMD形态谱和FCMC相结合的方法。通过对实测的滚动轴承振动信号的实验验证,表明该方法可以实现对滚动轴承故障的有效诊断。