基于Renyi熵和K-medoids聚类的轴承性能退化评估

摘要

滚动轴承性能退化评估是实现轴承剩余寿命预测和制定维修方案的基础,聚类分析作为数据挖掘的基本工具在故障评估中得到广泛应用.K-medoids聚类算法不易受极端数据影响,与隶属度函数相结合计算隶属度值作为故障指标可将故障程度大小表示在特定区间上,Renyi熵作为特征能很好地识别信号的微小变化.对滚动轴承振动信号进行小波包分解并降噪,将最优子带进行重构后计算Renyi熵,构成特征向量输入到K-medoids聚类模型中得到隶属度作为评价指标评估当前轴承性能状态,实现对故障的定量评估,同时设定自适应阈值确定早期故障出现时间.人工植入故障试验和全寿命疲劳试验分析表明该方法能有效评估故障程度大小且能及时发现早期故障的出现.