針對機(jī)械設(shè)備軸承故障振動信號具有強(qiáng)噪聲、非線性、非平穩(wěn)特性并致使故障特征信息難以提取的問題.提出了一種利用變分模態(tài)分解(Variational Mode Decomposition, VMD)和改進(jìn)模糊聚類算法相結(jié)合的機(jī)械故障診斷新方法.首先,對采集的故障數(shù)據(jù)采用VMD和奇異值分解方法進(jìn)行預(yù)處理,去除異常值及噪聲;然后,采用核模糊C均值聚類(Kernel-based Fuzzy C-Means clustering, KFCM)算法來進(jìn)行不同故障類型數(shù)據(jù)劃分,通過計(jì)算分類系數(shù)、平均模糊熵和海明貼近度對其分類性能進(jìn)行評估;最后,利用粒子群算法(PSO)對KFCM訓(xùn)練狀態(tài)的參數(shù)進(jìn)行優(yōu)化.通過仿真分析和實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證,該方法不僅表現(xiàn)出更優(yōu)的分類性能,能精確、穩(wěn)定進(jìn)行故障識別,而且只需要少量樣本數(shù)據(jù)進(jìn)行訓(xùn)練,從而使診斷的工作量和診斷時間大為減少,為大型旋轉(zhuǎn)機(jī)械設(shè)備在線故障診斷提供了理論依據(jù).

【文章頁數(shù)】：10 頁

【文章目錄】：
1 變分模態(tài)分解(VMD)[14]
    1.1 變分模型構(gòu)造
    1.2 變分模型求解
2 KFCM原理及算法
3 VMD-KFCM故障診斷方法
4 實(shí)驗(yàn)數(shù)據(jù)分析
    4.1 模態(tài)的選取
    4.2 故障診斷分析
5 結(jié) 論



本文編號：3872827