基于云理论及GG聚类的滚动轴承故障辨识方法

为了探讨不同特征对区分滚动轴承故障状态贡献的大小，在特征层面上使轴承的定性概念与定量数据建立关联，以达到敏感特征提取的目的，将云理论引入到滚动轴承的特征筛选中，并将所提方法结合GG(Gath-Geva，简称GG)聚类应用于滚动轴承的故障辨识。首先，对滤波消噪后的振动信号提取高维原始特征集，建立滚动轴承在不同运行状态下的云分布模型；然后，利用正向云发生器分别求出不同样本下各特征对轴承状态的确定度，设定阈值筛选原始特征集中对轴承运行状态贡献度大的特征，计算其出现的概率并作为权值，提出一种基于云理论加权特征选择方法，筛选出敏感特征集；最后，利用主成分分析（principal component analysis，简称PCA）对敏感特征集降维并输入至GG聚类中，完成故障辨识。实验结果表明，相较于传统的特征选择方法，所提算法在聚类评价指标及故障辨识率上具有明显的优势。