針對軸承信號數(shù)據(jù)信息采集過程中軸承數(shù)據(jù)缺失導致軸承故障類型無法識別問題,提出了一種基于自適應神經(jīng)模糊推理系統(tǒng)（ANFIS）和k-means聚類算法相結合的軸承故障分析模型和方法。首先,基于ANFIS算法建立數(shù)據(jù)預測模型,利用75%的軸承故障數(shù)據(jù)作為訓練樣本,對缺失信號數(shù)據(jù)進行預測,同時與采集到的信號數(shù)據(jù)整合形成完整的數(shù)據(jù)集,然后利用k-means算法進行軸承故障診斷,最后將ANFIS-k均值方法與傳統(tǒng)k-means算法進行比較,實驗結果表明本文提出的模型和方法分類效果更加準確。 

【文章來源】：組合機床與自動化加工技術. 2020,(09)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

滾動體振動加速度模擬值與實際值的比較

如圖1所示,ANFIS結構圖可分為5層,每層所實現(xiàn)的功能如下:第1層:第一層是輸入層也稱為模糊化層完成輸入變量的模糊化,輸出對應模糊集的隸屬度,該層的每個結點j都是具有結點函數(shù)的自適應結點。

ANFIS-k均值軸承故障診斷混合模型流程圖

【參考文獻】：
期刊論文
[1]基于Alpha穩(wěn)定分布的滾動軸承故障信號分析[J]. 郭衛(wèi)宮,周鴻濤,譚學祥.  農(nóng)業(yè)裝備與車輛工程. 2019(02)
[2]基于GA-AW-PSO的動態(tài)盲源分離軸承故障檢測研究[J]. 張?zhí)祢U,馬寶澤,強幸子,全盛榮.  系統(tǒng)仿真學報. 2018(06)
[3]LCD、k-means與ICA相結合的滾動軸承故障診斷方法[J]. 孟凡磊,崔偉成,李偉,劉林密.  機械科學與技術. 2017(09)
[4]自適應神經(jīng)模糊推理系統(tǒng)（ANFIS）及其仿真[J]. 張小娟.  電子設計工程. 2012(05)



本文編號：3602564