基于FVMD多尺度排列熵和GK模糊聚類的故障診斷方法.pdf

1、機(jī)械設(shè)備的正常運(yùn)轉(zhuǎn)是工業(yè)生產(chǎn)的重要保障，因而其故障診斷技術(shù)日益受到重視。論文以振動信號分析為基礎(chǔ)，從故障特征提取、模式識別兩個關(guān)鍵環(huán)節(jié)進(jìn)行研究，提出了基于快速變分模態(tài)分解(FVMD)、參數(shù)優(yōu)化多尺度排列熵和特征加權(quán) GK模糊聚類的故障診斷方法。
　　首先，在變分模態(tài)分解的基礎(chǔ)上，引入快速迭代的思想，提出快速變分模態(tài)分解方法。在快速變分模態(tài)分解方法中，對拉格朗日乘法算子進(jìn)行二次更新，使算法的收斂速度加快。在迭代終止準(zhǔn)則不變的情況下，

2、快速變分模態(tài)分解的運(yùn)行時間、迭代次數(shù)減少。通過仿真信號對快速變分模態(tài)分解方法的噪聲魯棒性及分離多分量信號的能力進(jìn)行分析驗證，并將快速變分模態(tài)分解應(yīng)用于滾動軸承的故障診斷。
　　其次，對多尺度排列熵算法的參數(shù)時間序列長度 N、嵌入維數(shù) m、延遲時間τ和尺度因子 s進(jìn)行研究。針對多尺度排列熵算法的參數(shù)確定問題，綜合考慮參數(shù)之間的交互影響，提出一種基于多作用力微粒群算法的參數(shù)優(yōu)化方法。之后，利用多尺度排列熵量化故障特征，將快速變分模態(tài)分

3、解與參數(shù)優(yōu)化多尺度排列熵結(jié)合用于故障特征提取，并通過軸承振動信號驗證其有效性。
　　再次，考慮到樣本特征矢量中各維特征在聚類過程中的貢獻(xiàn)不同，提出基于ReliefF特征加權(quán)的GK模糊聚類新方法。之后，由特征加權(quán)GK模糊聚類確定標(biāo)準(zhǔn)聚類中心，通過擇近原則實現(xiàn)故障模式的分類識別。應(yīng)用該方法處理軸承不同故障類型、不同損傷程度的共10種狀態(tài)的振動信號。通過對比分析，驗證其優(yōu)越性。
　　最后，以在機(jī)械故障實驗平臺上分別采集的軸承、齒輪