基于FVMD多尺度排列熵和GK模糊聚类的故障诊断

来源：机械工程学报杂志2018年第14期北京时间：

作者：陈东宁, 张运东, 姚成玉, 孙飞, 周能元

单位：1. 燕山大学河北省重型机械流体动力传输与控制重点实验室 秦皇岛 066004;2. 先进锻压成型技术与科学教育部重点实验室(燕山大学) 066004;3. 航空工业金城南京机电液压工程研究中心 南京 211106;4. 燕山大学河北省工业计算机控制工程重点实验室 秦皇岛 066004

摘要：针对设备故障信号的非线性、非平稳特征，提出了基于快速变分模态分解、参数优化多尺度排列熵和特征加权GK模糊聚类的故障诊断方法。首先，在变分模态分解的基础上，引入快速迭代的思想，提出快速变分模态分解方法，以减少算法运行时间与迭代次数；其次，针对多尺度排列熵算法的参数确定问题，综合考虑参数之间的交互影响，提出一种基于多作用力微粒群算法的参数优化方法，并通过快速变分模态分解和参数优化多尺度排列熵算法提取故障特征；之后，考虑到样本特征矢量中各维特征在聚类过程中的贡献不同，提出基于ReliefF特征加权的GK模糊聚类方法，由特征加权GK模糊聚类确定标准聚类中心，通过择近原则实现故障模式的分类识别；最后，以在机械故障试验平台上采集到的轴承不同故障类型的振动信号为研究对象，应用所提方法进行分析。结果表明，相对于改进前的变分模态分解、多尺度排列熵和GK模糊聚类方法，本文所提方法不仅能够有效提取故障特征，还能准确实现故障模式的分类识别，而且故障识别率得到提高。

关键词：参数优化多尺度排列熵,故障诊断,快速变分模态分解,特征加权GK模糊聚类；

基金资助：国家自然科学基金（51675460，51405426）、中国博士后科学基金（2017M621101）和河北省自然科学基金（E2016203306）资助项目。