基于RQA与GG聚类的滚动轴承故障识别

提出递归定量分析与GG聚类相结合的滚动轴承故障识别方法。利用能够表征信号发散程度的RQA参数——确定率和分层率组成轴承故障识别的特征向量,结合GG模糊聚类实现滚动轴承故障模式识别。对实际故障数据进行分析,结果表明,该方法不仅能够识别滚动轴承的不同程度损伤,而且能够实现不同部位的轴承故障诊断。研究结果为滚动轴承故障识别提供了一种高效、直观的新方法。

基于多维退化特征与GG模糊聚类的滚动轴承退化状态识别

考虑滚动轴承性能退化状态在时间尺度上的连续性,将时间参数映射到指数函数中,形成更符合性能退化过程的弯曲时间(curved time,CT)参数,同时将C0复杂度和有效值(root mean square,RMS)分别作为复杂性维度和能量维度的退化特征,构建描述滚动轴承性能退化过程的三维特征向量[C0,RMS,CT]。在此基础上,采用GG(Gath-Geva)模糊聚类方法对滚动轴承性能退化状态进行阶段划分,识别不同的退化状态,选用分类系数、平均模糊熵以及序列离散度对聚类效果进行综合评价。采用来自IMS(intelligent maintenance system)的轴承全寿命试验数据进行实例分析,结果表明,提出的三维特征向量既能够反映滚动轴承性能退化趋势,又能体现同一状态在时间尺度上的连续性。

基于GG模糊聚类的滚动轴承退化阶段划分研究

针对滚动轴承退化特征提取以及性能退化阶段准确划分的问题,采用Logistic混沌映射,对谱熵在复杂度演化中的变化规律进行了研究。提出了一种基于均方根、谱熵、“弯曲时间参数”特征以及GG模糊聚类的滚动轴承退化阶段划分方法,并采用IMS轴承实验中心的滚动轴承全寿命试验数据进行了实例分析。研究结果表明:谱熵参数能够有效描述性能退化过程中的复杂度变化规律,对复杂度变化十分敏感,计算速度快;引入的Curved Time参数能够反映退化状态在时间尺度上的集聚特性,更符合机械设备的性能退化规律,因此GG模糊聚类方法能够实现对轴承等机械设备性能退化阶段的准确划分。

基于谱熵与弯曲时间特征的性能退化GG聚类

针对轴承等机械部件的退化状态识别问题,提出一种多维退化特征的退化状态GG聚类方法。首先分析谱熵参数在复杂性表征以及运算速度方面的优势,提出基于谱熵的性能退化特征。考虑退化状态在时间尺度的连续性,将时间参数映射到指数函数中,形成更符合性能退化规律的“弯曲时间参数”,并与谱熵、有效值构成性能退化过程的三维特征向量。最后,采用GG模糊聚类方法对性能退化状态进行阶段划分,识别不同的退化状态。在分类系数和平均模糊熵的基础上,提出并采用序列离散度评估聚类的时间聚集度。采用来自IMS轴承实验中心的全寿命试验数据进行实例分析,结果表明:提出的三维特征向量既能反映性能退化趋势,又能体现同一状态在时间尺度上的连续性,能够较好地识别轴承性能退化过程的不同阶段。

基于C0复杂度和GG模糊聚类的轴承性能退化状态识别

如何表征机械设备的性能退化程度,并对退化状态进行识别是机械设备故障预测中的关键问题。提出一种基于C 0复杂度和GG模糊聚类的退化状态识别方法。首先,以混沌logistics序列为例,对比验证C 0复杂度参数在复杂性表征以及运算速度方面的优势;然后,考虑退化状态在时间尺度的连续性,将时间参数映射到指数函数中,形成更符合性能退化过程的“弯曲时间参数”,并与C 0复杂度、有效值构建描述性能退化过程的三维特征向量;最后,采用GG模糊聚类方法对性能退化状态进行阶段划分,识别不同的退化状态,并选用分类系数、平均模糊熵以及序列离散度对聚类效果进行综合评价。实例分析表明:提出的三维特征向量既能够反映性能退化趋势,又能体现同一状态在时间尺度上的连续性;GG聚类算法与同类的GK,FCM算法相比,聚类效果更优。

基于GG模糊聚类的退化状态识别方法

针对轴承等机械设备的性能退化状态识别问题,研究并提出一种基于GG（Gath-Geva）模糊聚类的退化状态识别方法。首先分析轴承性能退化过程中的基本尺度熵演化规律,分析该参数的单调性与敏感性。考虑到退化状态在时间尺度的连续性,构建包括基本尺度熵、有效值以及退化时间的三维退化特征向量,并采用GG模糊聚类方法对轴承性能退化状态的不同阶段进行划分,实现对性能退化状态的识别。采用来自IEEE PHM 2012的轴承全寿命试验数据进行实例分析,并与模糊C-均值聚类（FCM）、GK（Gustafaon-Kessel）算法进行对比,结果表明,方法聚类效果更优,同一退化状态内的时间聚集度更高。

基于基本尺度熵与GG模糊聚类的轴承性能退化状态识别

针对轴承性能退化状态的识别问题,提出一种基于基本尺度熵与GG聚类的退化状态识别方法。首先分析轴承性能退化过程中的基本尺度熵演化规律,并分析该参数的单调性与敏感性。考虑到轴承退化状态在时间尺度的连续性,构建基本尺度熵、有效值以及退化时间的三维退化特征向量,并采用GG模糊聚类方法对轴承性能退化状态的不同阶段进行划分,实现对性能退化状态的识别。采用来自IEEE PHM 2012的轴承全寿命试验数据进行实例分析,并与FCM、GK算法进行对比,结果表明本文所提出的方法聚类效果更优,同一退化状态内的时间聚集度更高,能够为轴承性能退化状态的识别提供一种有效的途径。

基于Weibull和GG模糊聚类的岸桥减速箱健康状态识别方法

针对岸桥减速箱健康状态的识别问题,研究并提出一种威布尔分布与GG(Gath-Geva)模糊聚类相结合的健康状态识别方法。首先应用包络法对因岸桥工况的复杂性引起的噪声进行数据去噪,然后通过对低速轴振动信号进行威布尔分布拟合得到形状参数和尺度参数,定量反映了采集样本的变化特征。为了进一步对减速箱振动信号进行状态识别,采用GG模糊聚类方法对减速箱健康状态的不同阶段进行划分,实现对不同健康状态的识别。采用来自Net CMAS系统采集的试验数据进行实例分析,并与GK、FCM算法进行对比,结果表明该方法的有效性,聚类效果更好。

基于模糊聚类和CNN-BIGRU的轨道电路故障预测

针对轨道电路稳态环境下故障诊断时效性不足的问题,提出一种基于Gath-Geva(GG)模糊聚类对轨道电路退化状态进行划分,并利用卷积神经网络(convolutional neural network,简称CNN)和双向门控循环单元(bi-directional gated recurrent unit,简称BIGRU)进行轨道电路故障预测的方法。首先,通过集中监测设备获取ZPW-2000轨道电路各类故障发生前一定时间内的正常工作数据;其次,通过核主成分分析进行特征降维和GG模糊聚类对轨道电路性能退化状态进行阶段划分,识别不同的退化状态;最后,利用CNN-BIGRU混合神经网络挖掘轨道电路不同故障类型数据特征,对轨道电路退化状态所对应的故障类型进行预测。实验结果表明,该算法可以精确划分轨道电路退化状态并实现故障预测,CNN-BIGRU预测模型分类精确度可达97.62%,运行时间仅为13.18 s,能够为轨道电路的多模式健康状态识别提供一种有效的方法。

基于数学形态学和模糊聚类的旋转机械故障诊断

提出了一种数学形态学与GG(Gath-Geva)模糊聚类相结合的旋转机械故障诊断方法,通过对滚动轴承信号的多尺度形态运算得到信号的形态谱,定量反映了信号在不同尺度下的形态变化特征。为进一步对滚动轴承信号进行故障识别,提取出基于形态学操作的分形维数和描述不同信号形态特征的指标即形态谱熵,并把这2个参数作为GG聚类的故障特征向量,进行聚类分析,同时对GG聚类与FCM(fuzzy center means)聚类和GK(Gustafaon-Kessel)聚类进行了比较。实验证明了基于数学形态学与GG聚类相结合的机械故障诊断方法的有效性,且证明了GG聚类更适合对不同形状、大小和密度的空间故障数据模糊聚类,聚类效果更好。

基于QPSO‐MPE的滚动轴承故障识别方法

为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum⁃behaved particle swarm optimization and multi⁃scale permutation entropy,简称QPSO⁃MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath⁃Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO⁃MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO⁃MPE在故障特征提取方面的有效性。