基于云理论及GG 聚类的滚动轴承故障辨识方法.pdfVIP

基于云理论及GG聚类的滚动轴承故障辨识方法*

摘要为了探讨不同特征对区分滚动轴承故障状态贡献的大小，在特征层面上使轴承的定性概念与定量数据建立

关联，以达到敏感特征提取的目的，将云理论引入到滚动轴承的特征筛选中，并将所提方法结合GG（Gath-Geva，简

称GG）聚类应用于滚动轴承的故障辨识。首先，对滤波消噪后的振动信号提取高维原始特征集，建立滚动轴承在

不同运行状态下的云分布模型；然后，利用正向云发生器分别求出不同样本下各特征对轴承状态的确定度，设定阈

值筛选原始特征集中对轴承运行状态贡献度大的特征，计算其出现的概率并作为权值，提出一种基于云理论加权特

征选择方法，筛选出敏感特征集；最后，利用主成分分析（principalcomponentanalysis，简称PCA）对敏感特征集降

维并输入至GG聚类中，完成故障辨识。实验结果表明，相较于传统的特征选择方法，所提算法在聚类评价指标及

故障辨识率上具有明显的优势。

关键词滚动轴承；云理论；特征选择；特征加权；确定度；GG聚类

引言GK聚类算法的改进，通过引入模糊最大似然估计，

有效地改善以上2种算法只适用于球形或者类球形

滚动轴承是旋转机械的关键部件，其工作状态［9］［10］

分布数据。王志超等通过经验小波变换结合

直接影响到设备的性能、运行效率和寿命。因此，对K-L散度对核电厂轴承进行GG聚类分析。王微

滚动轴承状态进行监测和故障诊断具有重要的意［11］

等提出一种基于谱熵与弯曲时间特征的轴承退化

［1-2］

义。然而，复杂的设备结构、动态的运行环境、传状态GG聚类识别方法，在故障辨识方面取得了满

感器个数及加装的位置，导致采集的振动信号数量意的识别效果。

［3］

巨大且掺杂强烈的背景噪声。按照此类信号提取笔者将云理论引入数据集特征筛选并结合GG

的特征参量往往包含较多的冗余信息，使得故障辨聚类算法的优点，构建一种新的轴承故障辨识模型，

识难度急剧增大。因此，筛选出滚动轴承运行的敏

该模型不仅可从轴承运行产生的海量数据中挖掘出

感特征，对数据驱动的故障诊断技术具有深远的意

敏感特征，而且在概念表达上更易于理解，为滚动轴

［4］

义。目前，常见的特征选择方法主要利用矩阵运

承故障辨识的工程应用提供理论参考。

算来剔除相关性大的特征，但是却忽略了特征参量

与轴承状态之间的联系，使滚动轴承的定性概念与1相关理论简介

定量数据难以形成关联，概念表达不易理解。李德

［5］

毅等在结合概率论与模糊数学的基础上提出了云1.1云模型理论

模型理论（云理论），通过构造特定的算子实现定性

UCU

设为精确数值组成的定量论域，为论域

概念与定量表示之间的相互转化，将其应用于数据

对应的定性概念，如果定量数值x∈U是定性概念C

挖掘中可实现对关联规则与知识发现的直观表达，

［6］［7］