ISSN10003762 CN41-1148/TH
轴承2017年4期 Bearing 2017,No.4
5459
DOI;10. 19533/j. issn1000 3762.2017. 04.0013
基于多尺度基本的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摘的CFS聚类滚动轴承故障诊断方法，首先使用多尺度基本摘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摘值特征向量进行降维操作，最后选择第1~2主成分作为CFS聚类算法的输人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
本摘的计算效率高于多尺度排列摘模型，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；多尺度基本筛
中图分类号：TH133.33；TN911.7
文献标志码：B
文章编号：10003762(2017)04-0054-07
FaultDiagnosisMethodofRollerBearingsBasedonMBSEand
CFS Clustering
Hai Bo,Yao Hailong,Meng Congcong
(College of Electronical and Information Engineering, Lanzhou City College, Lanzhou 730070, China)
Abstract: A method based on MBSE (Multiscale Base scale Entropy ) and CFS (Clustering by Fast Search) cluste-ring algorithm is proposed for roller bearings diagnosis recognition. Firstly, the roller bearings vibration signals under different conditions are decomposed into feature information under different scales by using MBSE. Secondly, the PCA(Principal Component Analysis) model is used to reduce the dimension of multiscale entropy eigenvectors, and finally the first two PCs (Principal Components ) are regarded as the input of CFS clustering algorithm for fulfill the roller bearings fault recognition. The result shows that the computational efficiency of MBSE model is higher than MPE and
the fault recognition for roller bearings is good by using CFS clustering algorithm under the same condition Key words; rolling bearing;fault diagnosis; CFS clustering algorithm; PCA; MBSE
使用轴承振动信号进行故障诊断是常用的故障诊断方式，振动信号的特征提取和故障识别则是滚动轴承故障诊断的重要步骤[1-3]。
在特征提取方面，近似摘（ApproximateEntro-py，AE）与样本摘（SampleEntropy，SE）对信号数据的长度较为敏感，且在炳值的计算过程中需对信号进行2次重构，算法较为复杂[4-}；排列（PermutationEntropy，PE）虽然仅需对信号进行1 次重构，但计算过程中仍需要复杂的排序运算[8-10】：基本尺度摘（BaseScaleEntropy，BSE）计算简单、效率高，且具有一定的抗干扰能力，在
收稿日期：2016-07-27；修回日期：2016-11-05
作者简介：海波（1967一），男，副教授，主要研究方向为信
号与信息处理，E-mail：252649483@qq.com。方方数据
齿轮故障诊断中有一定的应用"-13]；然而，上述方法只能检测时间序列信号在单一尺度上的复杂性，而多尺度摘（MultiscaleEntropy，ME）能衡量时间序列信号在不同尺度下的复杂性[14-15]，其中多尺度排列（MultiscalePermutationEntropy，MPE）模型在滚动轴承信号特征提取中的效果较好(16-17)
在故障识别方面，CK（Gustafson-Kessel）和 GG(Gath-Geva）聚类算法比较常用，但均需要事先划分聚类数目[8-22]；CFS（ClusteringbyFast Search)聚类算法[23]简单明快，其根据数据点的局部密度和截断距离对具有跳跃性的数据点进行聚类中心点的选定，不需要聚类数目的划分。
综上所述，虽然ME可获得多尺度的信息，但却存在数据维数高，无法可视化等问题，可采用主