多重分形近似熵与减法 FCM聚类的研究及应用

摘要：

提出了一种基于多重分形与近似熵相结合的信号特征量提取方法，应用于齿轮箱的故障信号诊断中。针对齿轮箱的故障信号的复杂性，先用减法聚类对提取到的信号特征量进行处理，得到初始聚类中心，然后再用模糊 C 均值聚类（FCM）作进一步处理，实现齿轮箱故障的自动诊断和识别。多重分形谱提取的特征量如谱宽，可以表示信号的波动程度，而近似熵可以表示信号的复杂程度。两者结合可以得到更加准确的齿轮箱故障信号模式。减法聚类可以有效解决 FCM容易陷入局部最优的问题，还可以提高收敛速度。提取的特征参数作为聚类分析的数据，通过计算数据点与聚类中心的隶属度判定所属类型，实现齿轮箱故障类型聚类以及模式识别。通过风力发电机齿轮箱故障诊断实验，证明该方法的可行性和有效性。为齿轮箱故障诊断提供了一种新的有效途径。

关键词：多重分形、近似熵、减法模糊聚类、故障诊断

分类号：TS04(一般性问题)

资助基金：国家自然科学基金51475405，61077071；河北省自然科学基金F2015203413

在线出版日期：2015-09-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：205-209