论文基于EEMD形态谱和KFCM聚类集成滚动轴承故障诊断方法是关于滚动轴承方面的论文题目、论文提纲、自润滑滚动轴承论文开题报告、文献综述、参考文献的相关大学硕士和本科毕业论文。
摘 要： 针对滚动轴承的故障诊断问题,提出了一种基于集总经验模态分解（EEMD）、形态谱特征提取和核模糊C均值聚类（KFCMC）集成的故障诊断新方法.首先,对实测的滚动轴承振动信号进行EEMD分解,得到若干个代表不同振动模态的内禀模态函数（IMF）；其次,基于峭度、能量和均方差三个评价指标,从分解得到的若干个IMF分量中选出含有故障特征信息最丰富的3个IMF分量作为诊断用的数据源；然后在选定尺度范围内提取每个IMF分量的形态谱平均值,将三个形态谱平均值构成一个三维特征向量,作为一个样本,形成样本集；最后,利用KFCMC完成对滚动轴承不同故障的分类识别.此外,为了对比说明该方法的识别效果,还将振动信号用经验模态分解（EMD）方法进行分解,用模糊C均值聚类（FCMC）进行分类识别,结果表明所提方法的识别效果要优于EMD形态谱和FCMC相结合的方法.通过对实测的滚动轴承振动信号的实验验证,表明该方法可以实现对滚动轴承故障的有效诊断.关键词： 故障诊断； 滚动轴承； 集总经验模态分解； 形态谱； 核模糊C均值聚类
中图分类号： TH165+.3；TP277文献标志码： A文章编号： 10044523（2015）02032407
DOI：10.16385/j.cnki.issn.10044523.2015.02.020
引言
滚动轴承在旋转机械设备中的应用非常广泛,它的运行状态直接影响着整台设备甚至是整个机组的运行状态.在机械设备实际工作过程中,滚动轴承的故障率比较高,如果发生了故障就有可能导致严重的后果,因此对轴承状态的监测和故障诊断在机械故障诊断领域有着十分重要的地位[1].
Wu和Huang于2008年在经验模态分解（Empirical mode decomposition, EMD）[2]的基础上提出了一种集总经验模态分解（Ensemble empirical mode decomposition, EEMD）的方法[3].EEMD的本质是将非线性、非平稳的多模态信号从高频到低频依次地分解出来,把分解出来的各个单一模态分量称之为内禀模态函数（Intrinsic mode function, IMF）.它和EMD不同之处在于：EEMD利用高斯白噪声频率均匀分布的统计特性使得信号在不同的尺度上具有连续性,从而达到抑制模态混叠的目的.
数学形态学是在积分几何和随机集基础上发展起来的非线性滤波方法,它利用起到滤波窗口作用的结构元素和待分析信号的局部形态特征进行匹配,从而选择信号基元,达到滤波的目的,并实现特征提取[4,5].为了便于观察多尺度分析的结果,Maragos在多尺度形态学的基础上提出了形态谱的概念,形态谱反映了信号在不同的分析尺度下所含有的和结构元素形状特征相匹配的成分,谱值的大小则反映了相匹配的成分的多少[6～8].
核模糊C均值聚类（Kernel fuzzy Cmeans clustering,KFCMC）是在模糊C均值聚类（Fuzzy Cmeans clustering,FCMC）的基础之上引入了核学习方法,它可以通过核函数把待分类的数据样本从原始空间映射到高维的特征空间,从而突出和放大了待分类样本之间的差异信息,使之变得更加可分,从而实现高效、准确的聚类[9].
目前,EMD和FCMC已广泛地应用在轴承的故障诊断中[10,11],但EMD对多模态混合的复杂信号进行分解时,容易造成IMF分量中存在两个或多个模态的混叠,导致分解精度不高；而且FCMC对样本进行分类时,如果样本间的差异不大,会导致识别精度的下降.针对这些问题,一些学者分别利用EEMD和KFCMC对滚动轴承的故障诊断进行了研究[9, 12],本文则集成了这两种方法的优势,实现了高精度的信号模态分解和模式识别.
4.5EEMD和EMD,KFCMC和FCMC的对 析
通过分析和比较图3,4和图5,6可以看出,经过EEMD分解较经过EMD分解所提取的样本所形成簇之间的区别更加清晰,每一簇中的样本更加集中.由此说明：在分解过程中,EMD较EEMD存在了较严重的模态混叠现象,导致了同一种运行状态的不同信号分解后所得的这3个分量的形态特征存在较大的差异,从而使得同一种运行状态的样本间的形态谱平均值差异较大.通过对比表2和4可以得出：基于同样的聚类方法,即当KFCMC分类识别时,EEMD分解后的分类系数S和平均模糊熵E均比EMD分解后要好.基于以上这两点可得：EEMD分解所提供的数据源要比EMD分解所提供的数据源的质量更高,KFCMC的聚类能力要比FCMC强.
综上所述,本文所提出的基于EEMD、形态谱特征提取和KFCMC集成的新方法对故障的分类识别效果较基于EMD、形态谱特征提取和FCMC集成的方法效果更好.
5结论
本文针对滚动轴承的正常、内圈故障、外圈故障、滚动体故障和三种故障并发的复合故障分类识别的问题,提出一种基于EEMD、形态谱特征提取和KFCMC集成的故障分类识别方法,通过对实测滚动轴承振动信号进行诊断分析,得出如下结论：
（1） 将EEMD方法应用到轴承振动信号分析中,发现它较EMD方法可以有效地抑制模态混叠现象,能够为后续的故障分类识别提供高质量且含有更丰富故障特征信息的数据源；
（2） 提出了一种基于峭度、能量和均方差相结合的评价方法来选择含有绝大部分故障特征信息的若干IMF分量,作为形态谱特征提取的数据源；
（3） 提出了一种对已确定的3个IMF分量在选定尺度范围内进行形态谱平均值计算从而构造特征向量的方法,并结合KFCMC,成功地对正常、内圈故障、外圈故障、滚动体故障和三种故障并发的复合故障5种状态进行了有效识别；
（4） 通过对滚动轴承的正常、内圈故障、外圈故障、滚动体故障和3种故障并发的复合故障的5种状态的聚类结果的分析,表明基于EEMD、形态谱特征提取和KFCMC集成的新方法对故障的分类识别效果较基于EMD、形态谱特征提取和FCMC集成的方法效果更好.
总结:本论文可用于滚动轴承论文范文参考下载，滚动轴承相关论文写作参考研究。
参考文献：
1、 基于EEMD和改进VPMCD滚动轴承故障诊断方法 基金项目：国家自然科学基金资助项目（51175158，51075131）；湖南省自然科学基金资助项目（11JJ2026）作者简介：程军圣（19。
2、 一种谱峭度和Morlet小波滚动轴承微弱故障诊断方法 摘要：提出一种基于谱峭度和Morlet小波的滚动轴承微弱故障诊断新方法。该方法利用Morlet小波的滤波特性，基于谱峭度表征的Morlet小波系。
3、 拉普拉斯特征向量相关谱其在滚动轴承故障诊断中应用 摘要：为了将谱方法的模式识别能力应用于机械故障诊断领域，提出了拉普拉斯特征向量相关谱，并应用于滚动轴承故障诊断。拉普拉斯特征向量相关谱定义为拉普。
4、 基于聚类分析智慧城市事部件数据 [摘 要]在智慧城市的建设过程中，大量运行数据伴随着城市管理事部件的处置产生并积累。为分析此类数据，本文利用聚类分析技术，以温岭市太平街道为例，。
5、 基于聚类改进KANO模型B2C网站质量要素 [摘 要] B2C网站质量极大的影响其顾客购买意愿和使用黏性，同时随着市场竞争的日益激烈，对网站改善策略的思考也在不断丰富与深入。对于B2C网站。
6、 聚类分析在郫县烟草卷烟营销方面应用 摘 要：“大数据时代”的来临，为新时期郫县烟草的转型提升提供了创新的发展思路。为准确研判市场、实现精准营销，调研了郫县卷烟市场，用聚类分析、层次。