基于小波包熵和聚类分析的滚动轴承故障诊断方法

被引：65

作者：

杨青

孙佰聪

朱美臣

杨青川

刘念

机构：

[1] 沈阳理工大学信息科学与工程学院

来源：

南京理工大学学报 | 2013年 / 37卷 / 04期

关键词：

小波包熵; 减法聚类; 滚动轴承; 故障诊断; K均值聚类;

D O I：

10.14177/j.cnki.32-1397n.2013.04.016

中图分类号：

TH165.3 []; TN911.7 [信号处理];

学科分类号：

081002 [信号与信息处理];

摘要：

为了提高滚动轴承震动信号故障诊断的准确性,该文提出了一种基于小波包熵和聚类分析的集合型故障诊断方法。用小波包对滚动轴承振动信号进行三层分解,并提取其能量特征。以振动信号的能量分布作为概率分布进行信息熵运算,提取振动信号特征。为了检测是否有故障发生,结合减法聚类的思想,提出采用密度指标最高原则优化初始聚类中心的K均值聚类算法进行聚类。为了检验所提方法的有效性,采用不同故障直径的滚动轴承数据进行实验。实验结果表明,新的聚类方法克服了传统K均值聚类对初始聚类中心敏感的缺陷,其结果可以作为滚动轴承早期故障诊断的依据。

引用

页码：517 / 523

页数：7

共 12 条

[1]

A new algorithm for initial cluster centers in k-means algorithm [J].

Erisoglu, Murat ;

Calis, Nazif ;

Sakallioglu, Sadullah .

PATTERN RECOGNITION LETTERS, 2011, 32 (14) :1701-1705

[2]

Rolling element bearing fault detection in industrial environments based on a K -means clustering approach.[J].C.T. Yiakopoulos;K.C. Gryllias;I.A. Antoniadis.Expert Systems With Applications.2010, 3

[3]

James–Stein shrinkage to improve k-means cluster analysis.[J].Jinxin Gao;David B. Hitchcock.Computational Statistics and Data Analysis.2010, 9

[4]

Data clustering: 50 years beyond K-means.[J].Anil K. Jain.Pattern Recognition Letters.2009, 8

[5]

分形盒维数抗噪研究及其在故障诊断中的应用 [J].