針對滾動軸承故障特征提取困難導(dǎo)致故障類型難以辨識的問題,提出基于集合經(jīng)驗?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition, EEMD）和GG（Gath-Geva,GG）聚類的軸承故障診斷方法。首先,使用EEMD分解方法對軸承的振動信號進行分解,結(jié)合相關(guān)系數(shù)原則提取含有主要故障信息的4個固有模態(tài)函數(shù)（IMF）分量,計算其能量百分比作為特征值,再用GG聚類對特征值進行聚類分析。通過仿真驗證了GG聚類的優(yōu)越性,然后采用文中提出的GG聚類方法與FCM聚類、GK聚類對軸承故障數(shù)據(jù)的聚類效果進行對比分析,驗證了文中所提方法在滾動軸承故障識別中的可行性。 

【文章來源】：組合機床與自動化加工技術(shù). 2020年05期 北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

GK聚類結(jié)果

GK聚類結(jié)果

EEMD方法流程

【參考文獻】：
期刊論文
[1]基于EEMD與FCM聚類的自動機故障診斷[J]. 張玉學,潘宏俠,安邦.  中國測試. 2017(03)
[2]基于EEMD模糊熵的PCA-GG滾動軸承聚類故障診斷[J]. 許凡,方彥軍,張榮.  計算機集成制造系統(tǒng). 2016(11)
[3]一種基于EEMD-SVD和FCM的軸承故障診斷方法[J]. 張立國,康樂,金梅,李盼.  計量學報. 2016 (01)
[4]基于EEMD形態(tài)譜和KFCM聚類集成的滾動軸承故障診斷方法研究[J]. 鄭直,姜萬錄,胡浩松,朱勇,李揚.  振動工程學報. 2015(02)



本文編號：2916908