EEMD排列熵与PCA-GK的滚动轴承聚类故障诊断 优先出版.pdf

《EEMD排列熵与PCA-GK的滚动轴承聚类故障诊断 优先出版.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第38卷第2期河南科技大学学报(自然科学版)Vol．38No．22017年4月JournalofHenanUniversityofScienceandTechnology(NaturalScience)Apr．2017文章编号:1672－6871(2017)02－0017－08DOI:10．15926/j．cnki．issn1672－6871．2017．02．004EEMD排列熵与PCA-GK的滚动轴承聚类故障诊断1122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

2、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(EE

3、MD-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:A0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(empi

4、ricalmodedecomposition，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(sampleentropy，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［5］杂度的衡量指标。总体经验模式分解(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

5、进行两次重构操作，因此其计算效率较低。排列熵(permutationentropy，［7－8］PE)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。［10］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。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

6、状分布特性的数［11］据。GK(Gustafson-Kessel)聚类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［13］动轴承故障诊断中。基于上述文献，本文提出EEMD与PE的PCA-GK滚动轴承聚类故障诊断方法。使用

7、EEMD与PE/SE对滚动轴承不同状态信号进行分解并计算其熵数值，同时统计并分析PE/SE的计算效率;然后使用PCA方法对熵值特征向量进行降维，形成EEMD-PE-PCA-GK、EEMD-SE-PCA-FCM、EEMD-SE-PCA-GK和EEMD-PE-PCA-FCM这4种组合模型;最后使用聚类评价指标对4种组合模型进行了对比。基金项目:国家自然科学基金项目(61201168)作者简介:黄友朋(1987－)，男，湖北宜昌人，工程师，硕士，主要研究方向为智能用电、电能计量技术研究和数据挖掘．收稿日期:2016－09－19·18·河南科技大

8、学学报(自然科学版)2017年1总体经验模式分解、排列熵和主成分分析1．1总体经验模式分解［2］［5］EMD模型是较为成熟的模型，文中不再赘述。EEMD模型是对EMD模型的改进，为抑制模式混叠