基于VMD和KFCM的轴承故障诊断方法优化与研究

作者：常勇; 包广清^*; 程思凯; 陈鹏

来源：西南大学学报(自然科学版), 2020, 42(10): 146-155.

DOI：10.13718/j.cnki.xdzk.2020.10.019

• 模糊聚类
• 特征提取
• 变分模态分解
• 故障诊断
• 粒子群算法

针对机械设备轴承故障振动信号具有强噪声、非线性、非平稳特性并致使故障特征信息难以提取的问题.提出了一种利用变分模态分解(Variational Mode Decomposition, VMD)和改进模糊聚类算法相结合的机械故障诊断新方法.首先,对采集的故障数据采用VMD和奇异值分解方法进行预处理,去除异常值及噪声;然后,采用核模糊C均值聚类(Kernel-based Fuzzy C-Means clustering, KFCM)算法来进行不同故障类型数据划分,通过计算分类系数、平均模糊熵和海明贴近度对其分类性能进行评估;最后,利用粒子群算法(PSO)对KFCM训练状态的参数进行优化.通过仿真分析和实验数据验证,该方法不仅表现出更优的分类性能,能精确、稳定进行故障识别,而且只需要少量样本数据进行训练,从而使诊断的工作量和诊断时间大为减少,为大型旋转机械设备在线故障诊断提供了理论依据.

• 单位
  兰州理工大学