关于机械滚动轴承故障信号诊断仿真

滚动轴承的故障定位以及性能衰减程度的诊断能够有效地降低设备停机率。针对故障轴承的非稳态振动信号易受噪声干扰、故障识别难度大等问题,提出了一种关于机械滚动轴承故障信号的诊断方法。上述方法对已知各类型故障振动信号进行变分模态分解(VMD),以本征模态函数(IMF)之间的Pearson相关系数为指标对VMD模态个数进行参数改进,实现振动信号自适应模态个数的VMD分解。然后利用奇异值分解(SVD)得到模态矩阵的奇异值,并以归一化后的奇异值矩阵作为故障信号的特征矩阵输入到极限学习机(ELM)进行故障定位及性能衰减程度的诊断。实验结果表明,所提方法能够有效地对滚动轴承故障振动信号进行特征提取和智能识别。

面向混合属性数据集的改进半监督FCM聚类方法

针对混合属性数据集聚类精度低的问题,本文提出一种基于改进距离度量的半监督模糊均值聚类(Fuzzy C-means,FCM)算法.首先,在数据集中针对类别属性进行预处理,并设置相应的相异度阈值;将传统聚类距离度量与改进的Jaccard距离度量结合,确定混合属性数据集的距离度量函数;最后,将所得距离度量函数与传统半监督FCM算法相结合,并在滚动轴承的不同复合故障数据的特征集中进行聚类.实验表明,该算法能在含无序属性的混合属性数据集的聚类中取得更好的聚类效果.