一种结合谱聚类与关联规则的轴承故障诊断方法
来源：计算机测量与控制杂志2023年第1期北京时间：
作者：徐秀芳,徐丹妍,徐森,郭乃瑄,许贺洋
单位：盐城工学院
摘要：针对现阶段机械设备轴承故障诊断方法难以挖掘隐含特征、诊断精准度低等问题，将谱聚类（spectral clustering，SC）算法与关联规则算法Apriori相结合，提出SC-Apriori算法。首先根据美国西储大学轴承数据中心网站公开发布的轴承故障数据集，选取0负载下的数据，计算得到滚动轴承振动信号的9个时域特征和3个频域特征；其次使用Pearson相关系数进行特征筛选，留下9个有效特征，再利用SC-Apriori算法挖掘出训练数据集中轴承不同特征数据之间的关联关系，并引入提升度来去除冗余的关联规则，进而构建一个规则库；再将测试数据进行处理，并与已建立的规则库进行比对，根据匹配率来判断其故障类型。在测试数据上的实验结果表明，与已有算法相比，本文设计的SC-Apriori算法挖掘出的规则数量大幅减少，匹配速度更快，且匹配效果更好。
关键词：轴承故障诊断;数据挖掘;关联规则;谱聚类算法;提升度
基金资助：国家自然科学—基于点-簇-划分三层架构的文本深度聚类集成研究(62076215)、江苏省高等学校自然科学研究面上项目(21KJD520006)、2021年度未来网络科研基金(FNSRFP-2021-YB-46)、盐城工学院研究生培养创新工程项目(SJCX21_XZ018)、横向项目合同编号2022032809、教育部产学研合作项目编号202102594034。
