E EMD 排列熵与PCA-G K的滚动轴承聚类故障诊断

摘要

针对滚动轴承故障诊断中，用振动信号的总体经验模式分解（EEMD）方法分解后的熵特征向量维数高，且样本熵（SE）计算效率差等问题，提出了一种基于 EEMD排列熵（PE）的主成分分析（PCA）-GK滚动轴承聚类故障诊断组合方法。首先，使用 EEMD方法将信号分解为若干个固有模态函数（IMFs），使用 PE／SE 计算其IMFs熵值；然后，使用PCA对熵特征向量进行可视化降维，并作为模糊C 均值（FCM）与GK聚类算法的输入，实现对滚动轴承的故障诊断。利用分类系数和平均模糊熵，对聚类结果进行了评价与对比，实验结果表明：本文模型（EEMD-PE-PCA-GK）的聚类效果比其他3种模型（EEMD-SE-PCA-FCM、EEMD-SE-PCA-GK 和 EEMD-PE-PCA-FCM）更好，且 PE 比 SE 的计算效率更快。