基于多尺度基本熵的CFS聚类滚动轴承故障诊断.pdfVIP

曼 二 !鱼 轴承 2017年4期 CN41—1148／TH Bearing2017，No．4 DOI：10．19533／j．issnl000—3762．2017．04．0013 基于多尺度基本熵的CFS聚类滚动轴承故障诊断 海波 ，姚海龙 ，孟丛丛 (兰州城市学院 电子与信息工程学院，兰州 730070) 摘要：提出了一种基于多尺度基本熵的CFS聚类滚动轴承故障诊断方法，首先使用多尺度基本熵对滚动轴承振 动信号进行多尺度分解 ，然后使用PCA模型对得到的多尺度熵值特征向量进行降维操作，最后选择第 1～2主 成分作为CFS聚类算法的输入进行滚动轴承的故障诊断。试验结果表明：在聚类效果相同的情况下，多尺度基 本熵的计算效率高于多尺度排列熵模型，并且 CFS聚类算法的故障识别效果较好。 关键词：滚动轴承；故障诊断；CFS聚类算法；主成分分析；多尺度基本熵 中图分类号：TH133．33；TN911．7 文献标志码：B 文章编号：1000—3762(2017)04—0054—07 FaultDiagnosisM ethodofRollerBearingsBased onM BSE and CFSClustering HaiBo，YaoHailong，MengCongcong (CollegeofElectronicalandInformationEngineering，LanzhouCityCollege，Lanzhou730070，China) Abstract：AmethodbasedonMBSE(MuhiscaleBase—scaleEntropy)andCFS(ClusteringbyFastSearch)cluste— ringalgorithm isproposedforrollerbearingsdiagnosisrecognition．Firstly，therollerbearingsvibrationsing alsunder differentconditionsaredecomposedintofeatureinformationunderdifferentscalesbyusingMBSE．Secondly，thePCA (PrincipalComponentAnalysis)modelisusedtoreducethedimensionofmuhiscaleentropyeigenvectors，andfinally thefirsttwoPCs(PrincipalComponents)areregardedastheinputofCFSclusteringalgorithmofrfulfilltheroller bearingsfaultrecognition．TheresuhshowsthatthecomputationalefficiencyofMBSE modelishigherthanMPEand thefaultrecognitionofrrollerbearingsisgoodbyusingCFSclusteringalgorithm underthesamecondition Keywords：rollingbearing；faultdiagnosis；CFSclusteringalgorithm ；PCA；MBSE 使用轴承振动信号进行故障诊断是常用的故 齿轮故障诊断中有一定的应用 卜 ；然而，上述 障诊断方式，振动信号的特征提取和故障识别则 方法只能检测时间序列信号在单一尺度上的复杂 是滚动轴承故障诊断的重要步骤 ¨J。 性，而多尺度熵 (MuhiscaleEntropy，ME)能衡量时 在特征提取方面，近似熵 (ApproximateEntro． 间序列信号在不同尺度下的复杂性 ，其中多 PY，AE)与样本熵 (