基于AP聚类和BP神经网络的自学习故障诊断方法

以往旋转机械的故障诊断方法是通过对设备运行的历史数据进行特征提取,建立故障诊断模型,实现对设备运行过程中故障类型的判别,但此类方法局限于故障类型已知,无法实现对未知的故障类型的判别,缺乏自学习功能。据此,本文提出一种基于仿射传播聚类算法(Affinity Propagation,AP)和BP神经网络的自学习故障诊断方法。该方法首先利用小波变换对原始振动信号进行降噪,然后将降噪后的信号利用集合经验模态分解(ensemble empirical mode decomposition,EEMD)拆分成若干个本征模态函数(intrinsic mode function,IMF),再通过相关系数计算获得最有效的几个IMF并将其组合起来进行奇异值分解(singular value decomposition,SVD),实现振动信号特征提取,继而将提取到的特征向量进行AP聚类分析,最后利用聚类结果结合BP神经网络建立起自学习故障诊断模型。实验结果表明,该方法既可以正确的识别出已知类型的故障还能准确的识别出未知类型的故障,识别准确率高达100%。