EEMD排列熵与PCA-GK的滚动轴承聚类故障诊断-IndexCopernicus.PDF

第 ３８卷 第２期 河 南 科 技 大 学 学 报 （自然 科 学 版 ） Ｖｏｌ．３８ Ｎｏ．２ ２０１７年　 ４月 ＪｏｕｒｎａｌｏｆＨｅｎａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ） Ａｐｒ． ２０１７ 文章编号：１６７２－６８７１（２０１７）０２－００１７－０８　 ＤＯＩ：１０．１５９２６／ｊ．ｃｎｋｉ．ｉｓｓｎ１６７２－６８７１．２０１７．０２．００４ ＥＥＭＤ排列熵与ＰＣＡＧＫ的滚动轴承聚类故障诊断 １ １ ２ ２ 黄友朋 ，赵　山 ，许　凡 ，方彦军 （１．广东电网有限责任公司 电力科学研究院，广东 广州 ５１００８０；２．武汉大学 自动化系，湖北 武汉 ４３００７２） 摘要：针对滚动轴承故障诊断中，用振动信号的总体经验模式分解（ＥＥＭＤ）方法分解后的熵特征向量维数高， 且样本熵（ＳＥ）计算效率差等问题，提出了一种基于 ＥＥＭＤ排列熵（ＰＥ）的主成分分析（ＰＣＡ）ＧＫ滚动轴承聚 类故障诊断组合方法。首先，使用 ＥＥＭＤ方法将信号分解为若干个固有模态函数（ＩＭＦｓ），使用 ＰＥ／ＳＥ计算其 ＩＭＦｓ熵值；然后，使用 ＰＣＡ对熵特征向量进行可视化降维，并作为模糊 Ｃ均值（ＦＣＭ）与 ＧＫ聚类算法的输入， 实现对滚动轴承的故障诊断。利用分类系数和平均模糊熵，对聚类结果进行了评价与对比，实验结果表明：本 文模型（ＥＥＭＤＰＥＰＣＡＧＫ）的聚类效果比其他 ３种模型（ＥＥＭＤＳＥＰＣＡＦＣＭ、ＥＥＭＤＳＥＰＣＡＧＫ和 ＥＥＭＤ ＰＥＰＣＡＦＣＭ）更好，且 ＰＥ比ＳＥ的计算效率更快。 关键词：滚动轴承；故障诊断；总体经验模式分解；排列熵；ＧＫ聚类算法 中图分类号：ＴＨ１３３．３３；ＴＰ２０６＋．３ 文献标志码：Ａ ０　引言 滚动轴承作为旋转机械运行的重要部件之一，其故障诊断具有重要意义。使用滚动轴承的振动信 ［１］ 号进行旋转机械的故障诊断是常用的方式之一 。滚动轴承振动信号的特征提取和故障识别是滚动 ［２］ 轴承故障诊断中两个重要的部分。经验模式分解（ｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ） 是一种适合于 非平稳信号分解并具有良好 自适应特性的方法。文献［３－４］提出了基于 ＥＭＤ与样本熵（ｓａｍｐｌｅ ｅｎｔｒｏｐｙ，ＳＥ）的支持向量机（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）滚动轴承故障诊断模型，其中ＳＥ可作为信号复 杂度的衡量指标。总体经验模式分解［５］（ｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＥＭＤ）是 ＥＭＤ方法的 改进，并且具有抗模式混叠的能力。文献［６］提出基于ＥＥＭＤ与 ＳＥ的ＳＶＭ滚动轴承故障诊断方法，但 ＳＥ在计算过程中需要对序列进行两次重构操作，因此其计算效率较低。排列熵（ｐｅｒｍｕｔａｔｉｏｎｅｎｔｒｏｐｙ， ［７－８］是一种新的随机性和动力学突变的检测方法，具有计算效率高，且得到较稳定的系统特征值 ＰＥ） 所需时间序列短等优点。文献［９］利用 ＰＥ与 ＳＶＭ相结合的模型进行滚动轴承的故障诊断。而文献 ［１，４，６，９］使用的是针对有标签数据的ＳＶＭ分类模型，但对数据进行标注需要大量的人力与物力。 模糊 Ｃ均值（ｆｕｚｚｙＣｍｅａｎ，ＦＣＭ）聚类是故障诊断中对无标签数据进行有效分类的常用方法［１０］。 但 ＦＣＭ使用欧氏距离方法进行样本点之间的距离换算，不适用于实际工程中没有球状分布特性的数 据。ＧＫ（ＧｕｓｔａｆｓｏｎＫｅｓｓｅｌ）聚类［１１］通过引入协方差矩阵来获取目标函数，适合变量之间存在相关性的 数据集的聚类分析，且适用于分布不规则的数据。文献［１２］提出了基于 ＥＥＭＤ与 ＳＥ的 ＧＫ聚类故障 诊断方法。通过 ＥＥＭＤ和 ＰＥ／ＳＥ计算的熵特征向量维数较高，导致数据无法可视化，主成分分析法 （ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ，ＰＣＡ）能对数据进行有效的降维后实现可视化。ＰＣＡ模型已成功应用于滚