时段进行异常检测时散点图包含的角域序列数目一致,当对每时段数据进行异常检测时,该时段角域序列要替代相同数据的起始样本数据㊂由图10b~图10f可看出,11:00~12:00时段出现1个异常序列,12:00~13:00时段未出现异常序列, 13:00~14:00未出现异常序列,14:00~15:00时段出现11个异常序列,15:00~16:00时段出现15个异常序列㊂11:00~12:00时段出现的异常序列不具有连续性,推测是由于强噪声或短时极端天气造成,可排除该时段出现故障趋势的可能性㊂对14:00~16:00两个时段异常序列的连续性进行验证并计算异常搜索因子,结果如表3所示㊂表3 14:00~15:00及15:00~16:00时段的异常序列信息异常检测时段14:00~15:0015:00~16:00异常序列编号142~156146~156异常搜索因子(%)7.059.61 由表3可得,14:00~15:00及15:00~16:00时段的角域异常序列具有连续性,由此推断由于运行故障原因造成异常序列数目的增加,并且3号测点数据从15:00~16:00时段开始异常搜索因子已经超过8%,该时段故障预警功能触发㊂测试后将试验台齿轮箱打开,发现输出轴齿轮已经发生轻微磨损㊂该试验验证了本文提出的基于角域序列邻近度异常检测的风电机组故障预警方法的有效性及可靠性,由于风电齿轮箱故障多数属于渐变性故障,如断齿等突变性故障也是由渐变性的裂纹故障引发的,因此对风电齿轮箱渐变性故障的研究具有很好的工程价值㊂4 结论(1)阶比重采样技术在风电机组故障预警和诊断中的应用,将振动数据等间隔时域信号转化为等角度采样的角域信号,将非线性㊁非平稳振动信号线性化㊁平稳化,保证了利用新量纲一因子提取故障特征的准确性㊂(2)新构建的量纲一特征因子与传统的有无量纲因子相比,在反映变转速㊁变负荷条件下风电机组运行状态及故障趋势时具有很明显的优势,不仅对风电机组早期故障具有一定的敏感性,而且能够实现变工况条件下的运行及故障趋势预测㊂(3)将基于邻近度异常检测技术的数据挖掘技术应用到风电机组故障预警工作中,解决了仅通过某单值阈值预警低可信度的弊端㊂利用基于多维属性因子邻近度异常检测技术,制定了合理的㊁准确的风电机组故障预警机制,有效避免了在线预警的 误报”㊁ 延报”现象㊂参考文献:[1] 何正嘉,訾艳阳,张周锁,等.大型机械设备变工况非平稳动态分析与监测诊断关键技术[J].中国机械工程,1999,10(9):978‐981.H eZ h e n g j i a,Z iY a n y a n g,Z h a n g Z h o u s u o,e t a l.K e yT e c h n o l o g i e so nD y n a m i cA n a l y s i s a n d M o n i t o r i n g‐d i a g n o s i s o fV a r y i n g O pe r a t i o na n dN o n s t a t i o n a r i t yf o rL a rg eM e ch a ni c a l E q u i p m e n t[J].C h i n aM e c h a n-i c a l E n g i n e e r i n g,1999,10(9):978‐981.[2] 吴强,孔凡让,何清波,等.基于小波变换和I C A的滚动轴承早期故障诊断[J].中国机械工程,2012, 23(7):835‐839.W uQ i a n g,K o n g F a n r a n g,H e Q i n g b o,e ta l.E a r l yF a u l t D i a g n o s i s o f R o l l i n g B e a r i n g B a s e d o nW a v e l e tT r a n s f o r ma n d I C A[J].C h i n aM e c h a n i c a l E n g i n e e r-i n g,2012,23(7):835‐839.[3] 别锋锋,刘扬,周国强,等.基于局域波法和S VM模型的往复机械故障预测方法研究[J].中国机械工程,2011,22(6):687‐691.B i eF e n g f e n g,L i u Y a n g,Z h o u G u o q i a n g,e ta l.R e-s e a r c h o n L o c a l W a v e M e t h o d a n d S VM M o d e lB a s e dP r e d i c t i o n M e t h o do fR e c i p r o c a t i n g M e c h a n i-c a l F a i l u r e[J].C h i n aM e c h a n i c a l E n g i n e e r i n g,2011,22(6):687‐691.[4] B e h r a d B,H o j a t A,R e z a L.A p p l i c a t i o n o f D a t aM i n i n g a n dF e a t u r eE x t r a c t i o no nI n t e l l i g e n tF a u l tD i a g n o s i sb y A r t i f i c i a lN e u r a lN e t w o r ka n dk‐n e a-r e s tN e i g h b o r[C]//X I X I n t e r n a t i o n a lC o n f e r e n c eo nE l e c t r i c a lM a c h i n e s.R o m e,2010:1‐7. [5] 郭瑜,秦树人.基于瞬时频率估计及时频滤波的阶比分量提取[J].中国机械工程,2003,14(17):32‐36.G u oY u,Q i nS h u r e n.O r d e rC o m p o n e n tE x t r a c t i o no nI n s t a n t a n e o u sF r e q u e n c y E s t i m a t i o na n d T i m e‐f r e q u e n c y D o m a i n F i l t e r i n g[J].C h i n a M e c h a n i c a lE n g i n e e r i n g,2003,39(3):32‐36.[6] 傅炜娜.基于V o l d‐K a l m a n跟踪滤波的旋转机械阶比分析方法研究[D].重庆:重庆大学,2010. [7] 汤宝平,何启源,魏玉果.基于角加速度的复合计算阶次跟踪方法[J].机械工程学报,2008,44(8):143‐147.T a n g B a o p i n g,H e Q i y u a n,W e i Y u g u o.H y b i r dC o m p u t e dO r d e rT r a c k i n g M e t h o dB a s e do nA n g u-l a rA c c e l e r a t i o n[J].C h i n e s eJ o u r n a lo f M e c h a n i c a lE n g i n e e r i n g,2008,44(8):143‐147.[8] T a n P a n g n i n g,S t e i n b a c h M.I n t r o d u c t i o nt o D a t aM i n i n g[M].B e i j i n g:P e a r s o nE d u c a t i o n I n c.,2006.(下转第1405页)㊃1531㊃变工况条件下的风电机组齿轮箱故障预警方法 顾煜炯 宋 磊 徐天金等Copyright©博看网. All Rights Reserved.基于拉普拉斯分值和模糊C 均值聚类的滚动轴承故障诊断欧 璐 于德介湖南大学汽车车身先进设计制造国家重点实验室,长沙,410082摘要:针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C 均值(F C M )聚类的滚动轴承故障诊断方法㊂该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以F C M 聚类为故障分类器,实现滚动轴承不同故障类型的识别㊂应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障㊂关键词:滚动轴承;拉普拉斯分值;模糊C 均值聚类;故障诊断中图分类号:T N 911.7;T H 165.3 D O I :10.3969/j.i s s n .1004-132X.2014.10.015R o l l i n g B e a r i n g F a u l tD i a g n o s i sB a s e do nL a p l a c i a nS c o r e a n dF u z z y C ‐m e a n sC l u s t e r i n gO uL u Y uD e ji e S t a t eK e y L a b o r a t o r y o fA d v a n c e dD e s i g na n d M a n u f a c t u r e f o rV e h i c l eB o d y,H u n a nU n i v e r s i t y ,C h a n gs h a ,410082A b s t r a c t :A c c o r d i n g t o t h en o n ‐s t a t i o n a r y f e a t u r e s a n d f u z z y f a u l t s y m p t o m s o f t h e v i b r a t i o n s i g -n a l s o f a r o l l i n g b e a r i n g w i t hf a u l t s ,a f a u l td i a g n o s i sm e t h o do f r o l l i n g b e a r i n g sw a s p r o p o s e du s i n gL a p l a c i a ns c o r e a n dF C Mc l u s t e r i n g .F i r s t l y ,t h e f e a t u r e s o f a v i b r a t i o n s i g n a l o f a r o l l i n g b e a r i n g we r e e x t r a c t e d i n t i m e d o m a i n a n df r e q u e n c y do m a i n ,f r o m w h i c h a n i n i t i a l f e a t u r e v e c t o rw a s f o r m e d .T h e n b y u s i n g L a p l a c i a n s c o r em e t h o d t o s e l e c t f e a t u r e ,f a u l t f e a t u r e v e c t o r sw e r e o b t a i n e d .F i n a l l y ,aFC M c l u s t e r i n g m e t h o dw a su s e da sa f a u l t f e a t u r ec l a s s i f i e r t or e c o g n i z ed i f f e r e n t f a u l t t y p e so f ar o l l i n g b e a r i n g .A p p l i c a t i o ne x a m p l e s a n d c o n t r a s t t e s t s s h o wt h a t t h i sm e t h o d c a nb e u s e d t o e x t r a c t t h e f e a -t u r e s o f v i b r a t i o n s i g n a l s o f r o l l i n g b e a r i n g s a n dd i a g n o s e s t h e f a u l t s o f r o l l i n g b e a r i n g s e f f e c t i v e l y.K e y wo r d s :r o l l i n g b e a r i n g ;L a p l a c i a ns c o r e ;f u z z y C ‐m e a n s (F C M )c l u s t e r i n g ;f a u l t d i a g n o s i s 收稿日期:2012 11 26基金项目:国家自然科学基金资助项目(51275161)0 引言故障诊断的模式识别方法[1‐2]不需要系统的数学模型,而是使用采集数据来分类,因此也被称为基于数据的故障诊断方法㊂滚动轴承是机械设备中最常用也是最容易损坏的元件之一,滚动轴承工作状态的好坏将直接影响到整台机械设备的工作状态,因此,对滚动轴承进行故障诊断具有十分重要的现实意义[3]㊂事实上,滚动轴承的故障诊断过程就是一个模式识别的过程㊂基于振动信号的滚动轴承故障诊断方法是工程上常用的故障诊断方法[4],这类方法大致可以分三个步骤:①故障信号的采集和预处理;②故障特征的提取;③状态识别和故障诊断㊂其中,信号采集是故障诊断的前提,特征提取和选择[5]是故障诊断的关键,而状态识别则是诊断的核心㊂只有保证采集信号的正确性,提取和选择特征的敏感性,以及状态识别方法的有效性,才能提高故障诊断的精度㊂特征选择和提取能确保提供足够多的分类信息,同时避免发生特征数目过多㊁维数较高㊁维数灾难等现象㊂根据特征选择算法的不同,特征选择方法通常分为两类:F i l t e r 法[6]和W r a p pe r 法[7]㊂F i l t e r 法独立于具体的算法,它基于数据内在结构来评价特征的好坏;W r a p pe r 法依赖具体的算法,它利用预定义的分类算法的性能来评价特征的好坏,进行特征选择㊂通常,W r a p p e r 法要优于F i l t e r 法,因为它与待分类的问题相关,结合了更多的先验信息,但是W r a p pe r 法相对于F i l t e r 法需要更多的计算时间㊂这里主要关注F i l t e r 形式的特征选择方法㊂根据训练样本的标签信息存在与否,特征选择方法还可以按照监督信息的有无,分为监督式和无监督式两种㊂F i s h -e r 分值[8]是一种典型的监督式特征选择算法,它优先选择那些最具有区分能力的特征为候选特征,但是它仅仅关注了特征的区分能力,而没有考虑样本的局部信息保持能力;V a r i a n t 分值[8]是最简单的无监督式特征选择算法,该算法认为具有较大方差的特征意味着有更强的表示能力,因而优先选择方差较大的特征作为候选特征;L a p l a -㊃2531㊃中国机械工程第25卷第10期2014年5月下半月Copyright ©博看网. All Rights Reserved.c i a n 分值[9]是另一种无监督特征算法,它结合特征的局部信息保持能力和V a r i a n t 分值来进行特征选择,该方法已经应用到图像识别[10]㊁生物医学数据处理[11]等领域,但在故障诊断领域尚无应用㊂滚动轴承运行状态从正常到异常是一个渐变过程,所表现出来的征兆在许多情况下具有模糊性,而以模糊数学为理论基础的聚类分析方法为解决该类模糊性问题提供了新的途径㊂模糊聚类分析是一种有效的模式识别方法,在众多模糊聚类算法中,模糊C 均值(f u z z y C‐m e a n s ,F C M )聚类算法[12‐13]理论较完善,聚类效果较好,已在很多领域得到了成功应用[14‐16]㊂利用F C M 聚类能有效解决滚动轴承故障渐变中的特征模糊性问题㊂本文将拉普拉斯分值(L a pl a c i a ns c o r e )和F C M 聚类相结合进行滚动轴承故障诊断㊂首先,对滚动轴承振动信号在时域和频域分别提取特征,形成初始特征集,然后用拉普拉斯分值进行特征选择,形成特征向量,最后采用F C M 聚类算法对滚动轴承工作状态和故障类型进行分类㊂对滚动轴承振动信号的实验结果表明,该方法可以有效地应用于滚动轴承故障的诊断㊂1 故障特征提取与选择1.1 滚动轴承故障特征提取当设备出现故障时,时域信号的幅值和概率分布将会发生变化,信号中的频率成分㊁不同频谱的谱峰位置也将发生变化,因此,通过描述信号时域波形和频域波形分布等特征,可以反映振动信号的时域和频域信息,从而指示故障的出现㊂为了获取更多的故障信息,这里综合利用时域和频域特征参数㊂首先,提取信号的16个时域特征参数(p 1~p 16)和13个频域特征参数(p17~p 29),然后用同样的方法提取H i l b e r t 包络谱的13个频域特征参数(p 30~p 42),一共得到42个特征参数,其中特征参数p 1~p 29如下:p1=∑Nn =1x (n )Np 2=∑Nn =1(x (n )-p 1)2N -1p3=(∑Nn =1|x (n )|N)2 p 4=∑N n =1|x (n )|Np5=∑Nn =1(x (n ))3Np 6=∑Nn =1(x (n ))4Np7=∑Nn =1(x (n ))2Np 8=ma x |x (n )|p9=m i n |x (n )| p 10=p 8-p 9p 11=p 2/p 4 p 12=p 8/p2p 13=p 8/p 4 p 14=p 8/p3p 15=p 5/(p 7)3 p 16=p 6/p 27p17=∑Kk =1y (k )Kp 18=∑Kk =1(y (k )-p 17)2K -1p19=∑Kk =1(y (k )-p 17)3K (p 18)3p 20=∑Kk =1(y (k )-p 17)4K p 218p21=∑Kk =1(f k y (k ))∑Kk =1y (k ) p 22=∑Kk =1[(f k-p 21)2y (k )]Kp23=∑K k =1(f 2ky (k ))∑Kk =1y (k ) p 24=∑Kk =1(f 4ky (k ))∑Kk =1(f 2ky (k ))p25=∑K k =1(f 2ky (k ))∑Kk =1(f 4ky (k ))㊃∑Kk =1y (k ) p 26=p 22/p21p27=∑Kk =1[(f k-p 21)3y (k )]K p 322p28=∑Kk =1[(f k-p 21)4y (k )]K p 422p29=∑Kk =1(|fk-p 21|y (k ))K p 22式中,x (n )为时域信号序列,n =1,2, ,N ;N 为样本点数;y (k )为信号x (n )的频谱,k =1,2, ,K ;K 为谱线数:fk 为第k 条谱线的频率值㊂时域特征参数p 1~p 10是有量纲的统计量,包括均值㊁均方根值㊁方根幅值㊁偏斜度和峭度等;p 11~p 16是量纲一统计量,包括波形指标㊁峰值指标㊁脉冲指标㊁裕度指标㊁偏斜度指标和峭度指标㊂频域特征参数包括均值频率㊁均方根频率㊁方差频率和中心频率等,其中p 17反映频域振动能量的大小,p 21和p 23~p 25反映主频带位置的变化,p 18~p 20,p 22和p 26~p 29表示频谱的分散或者集中程度㊂1.2 基于拉普拉斯分值的特征选择[9]尽管根据以上特征可以从不同角度来识别设备中出现的故障,但是它们对于不同的故障具有不同的敏感程度㊂一部分特征与故障密切相关,另外一部分特征则是无关或者冗余的特征㊂因此,将特征集输入分类器之前,需要将与故障密切相关的敏感特征选择出来,剔除其他不相关特征以提高分类的性能,避免维数灾难㊂㊃3531㊃基于拉普拉斯分值和模糊C 均值聚类的滚动轴承故障诊断欧 璐 于德介Copyright ©博看网. All Rights Reserved.由H e等[9]提出的拉普拉斯分值以拉普拉斯特征值映射(L a p l a c i a ne i g e n m a p s)[17]和局部保持投影(l o c a l i t yp r e s e r v i n gp r o j e c t i o n)[18]为基础,其基本思想是:通过局部保持能力来衡量特征,通过直接对特征集进行学习提取数据内在的信息结构,将复杂的高维特征空间转化为简单的低维特征空间,在特征空间中选取分值较小的特征,极大程度地保留了故障信号特征集合中内含的整体几何结构信息,从而利于滚动轴承故障判别与诊断㊂令L r为第r个特征的拉普拉斯分值,f r i为第i个样本的第r个特征(i=1,2, ,m),则基于拉普拉斯分值的特征选择步骤如下:(1)用m个样本点构建一个近邻图G,第i个节点对应x i㊂如果x i与x j足够近,则有边连接,例如,x i是x j的k近邻节点或者x j是x i的k近邻节点,否则,没有边连接㊂当节点的标号已知时,可以在同一标号的两节点之间连接一条边㊂(2)如果节点i与节点j是连通的,则令S i j=e x p(-‖x i-x j‖2/t) i,j=1,2, ,m 式中,t是一个合适的常数;‖㊃‖表示欧氏距离㊂否则,S i j=0㊂加权矩阵S称为图G的相似矩阵,它用来衡量近邻样本点之间的相似性,描述了数据空间的固有局部几何结构;S中元素的值越大,表明两个样本越相近,越有可能属于同一类,反之,则越有可能属于不同类㊂(3)对于第r个特征,定义f r=(f r1,f r2, ,f r m)T, D=S II=(1,1, ,1)T, L=D-SD为对角阵,矩阵L称为图G的拉普拉斯矩阵㊂为了避免发生某些维度数据差异很大而主导近邻图的构造的现象,对各个特征进行去均值化处理,得到~f r=f r-f T r D II T D I I(4)计算第r个特征的拉普拉斯分值:L r=∑i j(f r i-f r j)2S i jV a r(f r)=~f T r L~f r ~f T r D~f r式中,V a r(f r)为第r个特征的方差㊂S i j越大,(f r i-f r j)2越小,表明样本在该特征上的差异越小,即该特征的局部信息保持能力越强㊂计算每一个特征的得分,从低到高对这些特征得分进行排序,排在越靠前的特征越重要㊂分子越小表示近邻的样本在该特征上的差异越小,即该特征的局部信息保持能力越强;分母越大表示样本在该特征上差异越大,即该特征的区分能力越强㊂因此,特征得分与特征重要性成反比,即特征得分越低,该特征越具有特征选择的重要性㊂所以,拉普拉斯分值特征选择法选取L r值最小的前若干个特征作为特征选择的结果㊂2 F C M聚类算法F C M算法是一种基于划分的聚类算法,其思想就是使得被划分到同一簇的对象之间的相似度最大,而不同簇之间的相似度最小㊂F C M算法是普通C均值算法的改进,普通C均值算法对于数据的划分是硬性的,而F C M算法则是一种柔性的模糊划分㊂F C M算法的目标函数为J m=∑c k=1∑N i=1u m k i‖x i-v k‖2其中,X={x i,i=1,2, ,N|x i∈R d}为数据集; c为聚类的类别;m为模糊加权指数;V=(v k)1×c 为聚类中心矩阵,v k是第k类的类中心;U= (u k i)c×N为模糊隶属度矩阵,且满足约束条件{u k i∈[0,1]|∑c k=1u k i=1,∀i;0<∑N i=1u k i<N,∀k}其中,u k i为点x i属于第k类的程度即隶属度㊂隶属度函数和聚类中心函数通过下面的公式迭代更新:u k i=[∑c l=1(‖x i-v k‖/‖x i-v l‖)2/(m-1)]-1v k=∑N i=1u m k i x i/∑N i=1u m k i3 故障诊断流程基于拉普拉斯分值和F C M聚类的滚动轴承故障诊断步骤如下:(1)分别提取振动信号时域㊁频域和包络谱频域的特征,共计42个特征参数,组成初始特征集㊂(2)对初始特征集中的特征分别计算其拉普拉斯分值,按照从小到达的顺序选择若干个特征形成特征矩阵㊂(3)最后对特征矩阵采用F C M聚类方法聚类,从而实现对滚动轴承故障的诊断㊂基于拉普拉斯分值和F C M聚类的滚动轴承故障诊断流程如图1所示㊂图1 故障诊断流程图㊃4531㊃中国机械工程第25卷第10期2014年5月下半月Copyright©博看网. All Rights Reserved.4 应用实例为了验证本文方法的有效性,用本文方法对实测滚动轴承故障振动信号进行分析㊂试验数据采用美国C a s e W e s t e r nR e s e r v eU n i v e r s i t y电气工程实验室的滚动轴承试验数据[19]㊂测试轴承为6205‐2R SJ E M S K F深沟球轴承,电机负载约为735.5W,轴承转速为1772r/m i n㊂试验中使用电火花加工技术在轴承上布置单点故障,故障直径为0.3556mm,深度为0.2794mm,在此情况下采集到正常㊁内圈单点电蚀㊁外圈单点电蚀和滚动体单点电蚀四种状态的振动信号,信号采样频率为12k H z,数据样本长度为2048㊂正常㊁滚动体故障㊁内圈故障和外圈故障四种状态下轴承的振动加速度信号如图2所示㊂图2 四种不同状态下轴承振动信号的时域波形对于上述四种状态轴承的振动信号,每种状态取10组样本,随机选取其中的5组(20个)样本用来训练,剩余5组(20个)样本用来测试㊂在训练样本中,序号1~5为正常状态轴承振动信号,序号6~10为滚动体故障轴承振动信号,序号11~15为内圈故障轴承振动信号,序号16~20为外圈故障轴承振动信号㊂采用拉普拉斯分值法对训练数据进行处理㊂首先,取k=4构造近邻图G,根据图G计算得到训练样本之间的相似矩阵S,从而得到训练样本各个特征的拉普拉斯分值;然后按照从小到大的顺序取8个特征参数(分别为p28㊁p21㊁p27㊁p25㊁p30㊁p23㊁p42㊁p3)作为每个样本的特征向量,取m=2,变化门限e=0.0001,用F C M聚类方法对其聚类,得到训练样本输出结果如图3所示㊂把样本训练得到的8个特征参数作为测试样本的特征向量,用F C M聚类方法聚类,输出结果如图4所示㊂同时,为了与拉普拉斯分值特征提取方法进行对比,在特征集中随机选取8个特征参数(分别为p26㊁p1㊁p12㊁p34㊁p36㊁p13㊁p38㊁p37)进行对比试验,用F C M聚类方法聚类,输出结果如图5所示㊂图3 训练样本F C M聚类结果图4 测试样本F C M聚类结果图5 对比试验F C M聚类结果从训练样本输出结果(图3)可以看出,当λ大致位于0.56~0.60之间时,划分结果为4类,即把不同状态类型很好地区别开来,而且各类结果中的样本属于同一种故障类型㊂由此可以根据λ的数值范围获得测试样本的故障类别数,并判断故障类别㊂由测试样本输出结果(图4)可以看出,当λ位于0.54~0.60之间时,划分结果为4类,与训练样本的划分结果一致㊂同时,不仅识别出了正常状态与故障状态,而且识别出了不同的故障模式,结果与实际情况完全一致,符合实验预期㊂从对比实验输出结果(图5)可以看出,当λ位于0.50附近的时候,划分结果为2类,可以识别出正常状态与故障状态,但对其余故障模式没有识别能力㊂对以上两组实验的特征参数分别采用K近㊃5531㊃基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断 欧 璐 于德介Copyright©博看网. All Rights Reserved.邻(K N N)分类算法和F C M聚类方法进行故障识别,结果如表1所示㊂可以看出,对于随机提取的特征,无论是K N N算法还是F C M算法都有4个样本识别错误;对于拉普拉斯分值方法提取的特征,K N N方法有3个样本识别错误,而F C M聚类方法没有错误分类的样本,因此,基于拉普拉斯分值和F C M聚类方法的故障诊断方法更优越㊂表1 K N N分类结果分类器随机提取结果(错误数/总数)拉普拉斯分值提取结果(错误数/总数)K N N4/203/20F C M4/200/20应用实例说明了拉普拉斯分值可以从高维特征集中选取与故障模式密切相关的特征,使得特征集不含无关或者冗余的特征,从而有利于F C M 聚类取得好的分类效果,提高故障诊断准确率㊂这说明,本文提出的方法能够有效地实现滚动轴承故障类别的诊断㊂5 结论(1)拉普拉斯分值方法与F C M聚类算法结合是一种行之有效的混合智能故障诊断方法㊂应用实例表明,该方法能够有效地实现滚动轴承故障类别的诊断,在复杂机械设备故障诊断中具有广阔的应用前景㊂(2)拉普拉斯分值方法是通过局部保持能力来衡量特征的无监督的特征选择方法,该方法能有效提取故障分辨率高的特征,减少无关或冗余特征,从而提高故障诊断识别准确度㊂参考文献:[1] D i a l l oD,B e n b o u z i dM E H,H a m a dD,e t a l.F a u l tD e t e c t i o na n d D i a g n o s i si n a nI n d u c t i o n M a c h i n eD r i v e:a P a t t e r n R e c o g n i t i o n A p p r o a c h B a s e d o nC o n c o r d i aS t a t o r M e a n C u r r e n t V e c t o r[J].I E E ET r a n s.E n e r g y C o n v e r s,2005,20(3):512‐519. [2] O n d e lO,C l e r cG,B o u t l e u xE,e t a l.F a u l tD e t e c-t i o na n dD i a g n o s i s i naS e t I n v e r t e r‐i n d u c t i o n M a-c h i n e t h r o u g h M u l t id i me n s i o n a lM e m b e r s h i p F u n c-t i o na n dP a t t e r nR e c o g n i t i o n[J].I E E E T r a n s.E n-e r g y C o n v e r s i o n,2009,24(2):431‐441.[3] 杨宇,于德介,程军圣.基于经验模态分解的滚动轴承故障诊断方法[J].中国机械工程,2004,15(10):909‐911.Y a n g Y u,Y uD e j i e,C h e n g J u n s h e n g.R o l l e rB e a r-i n g F a u l t D i a g n o s i s M e t h o d B a s e d o n E M D[J].C h i n a M e c h a n i c a lE n g i n e e r i n g,2004,15(10):909‐911.[4] 何正嘉,陈进,王太勇,等.机械故障诊断理论及应用[M].北京:高等教育出版社,2010. [5] G u oH,J a c kLB,N a n d iA K.F e a t u r eG e n e r a t i o nU s i n g G e n e t i c P r o g r a mm i n g w i t h A p p l i c a t i o n t oF a u l tC l a s s i f i c a t i o n[J].I E E E T r a n s a c t i o no nS y s-t e m M a na n dC y b e r n e t i c s,2005,35(1):89‐99.[6] D y JG,B r o d l e y C E.F e a t u r eS e l e c t i o nf o rU n s u-p e r v i s e dL e a r n i n g[J].J o u r n a l o f M a c h i n eL e a r n i n gR e s e a r c h,2004,5:845‐889.[7] K o h a v iR,J o h nG H.W r a p p e r s f o rF e a t u r eS u b s e tS e l e c t i o n[J].A r t i f i c i a l I n t e l l i g e n c e,1997(1/2):273‐324.[8] B i s h o p C M.N e u r a lN e t w o r k s f o rP a t t e r nR e c o g n i-t i o n[M].O x f o r d:O x f o r dU n i v e r s i t y P r e s s,1995.[9] H eX i a o f e i,C a iD,N i y o g iP.L a p l a c i a nS c o r e f o rF e a t u r e S e l e c t i o n[C]//A d v a n c e s i nN e u r a l I n f o r m a-t i o n P r o c e s s i n g S y s t e m.C a m b r i d g e,MA:M I TP r e s s,2005.[10] X i a oY u a n j i n g,S h e n g L i,Z h a n g D.S u p e r v i s e d a n dU n s u p e r v i s e dP a r a l l e l S u b s p a c eL e a r n i n g f o r L a r g eS c a l e I m a g eR e c o g n i t i o n[J].C i r c u i t s a n dS y s t e m sf o rV i d e oT e c h n o l og y,2012,22(10):1497‐1511.[11] S o l o r i o‐F e r n a n d e z S,M a r t i n e z‐T r i n i d a dJ F,C a r r a s c o‐O c h o a JA,e t a l.H y b r i dF e a t u r e S e l e c t i o nM e t h o d f o rB i o m e d i c a lD a t a s e t s[C]//2012I E E ES y m p o s i u m o nC o m p u t a t i o n a l I n t e l l i g e n c e i n B i o i n f o r m a t i c s a n dC o m p u t a t i o n a l B i o l o g y(C I B C B).S a nD i e g o,C A,2012:150‐155.[12] 尹安东,赵韩,羊拯民.基于小波变换 模糊聚类的变速箱齿轮故障诊断[J].中国机械工程,2006,17(20):1221‐1225.Y i n A n d o n g,Z h a o H a n,Y a n g Z h e n g m i n.R e-s e a r c ho n t h eF a u l t D i a g n o s i s o fV e h i c l eT r a n s m i s-s i o n G e a r B a s e d o n W a v e l e t T r a n s f o r m‐F u z z yC l u s t e r[J].C h i n a M e c h a n i c a lE n g i n e e r i n g,2006,17(20):1221‐1225.[13] G a oXB,X i eW X.A d v a n c e s i nT h e o r y a n dA p p l i-c a t i o no f F u z z y C l u s t e r i n g[J].C h i n e s e S c i e n c eB u l-l e t i n,2000,45(11):961‐970.[14] M e n g K,D o n g Z Y,W a n g D H,e ta l.A S e l f‐a d a p t i v eR B FN e u r a l N e t w o r kC l a s s i f i e r f o rT r a n s-f o r m e rF a u l t A n a l y s i s[J].I E E E T r a n s.P o w e rS y s t.,2010,25(3):1350‐1360.[15] 刘雪梅,张树生,董文胜,等.逆向工程中基于S O F M和F C M的组合分区算法[J].中国机械工程,2007,18(2):183‐183.L i uX u e m e i,Z h a n g S h u s h e n g,D o n g W e n s h e n g.C o m b i n a t o r i a lS e g m e n t a t i o n A l g o r i t h m o f P o i n tC l o u dB a s e do nS O F Ma n dF C Mi nR e v e r s eE n g i-n e e r i n g[J].C h i n a M e c h a n i c a lE n g i n e e r i n g,2007,18(2):183‐183.㊃6531㊃中国机械工程第25卷第10期2014年5月下半月Copyright©博看网. All Rights Reserved.。
![基于改进模糊C均值聚类的交流异步电机故障诊断方法[发明专利]](https://img.taocdn.com/s1/m/4cf38c67cc22bcd127ff0c04.png)
