针对滚动轴承故障振动信号的非平稳特性,提出一种结合互补的总体经验模式分解(CEEMD)互近似熵和模糊C均值(fuzzy C means,FCM)聚类的诊断新方法。CEEMD可以有效抑制经验模式分解(EMD)在非线性非平稳信号处理中存在模态混叠和总体经验模...针对滚动轴承故障振动信号的非平稳特性,提出一种结合互补的总体经验模式分解(CEEMD)互近似熵和模糊C均值(fuzzy C means,FCM)聚类的诊断新方法。CEEMD可以有效抑制经验模式分解(EMD)在非线性非平稳信号处理中存在模态混叠和总体经验模式分解(CEEMD)添加的白噪声不能完全被中和问题;互近似熵是能更好体现信号的不规则度和复杂度。首先对正常信号和故障信号进行CEEMD分解,提取真实IMF分量互近似熵表达故障信息,最后采用FCM对数据样本进行分类,并通过计算分类系数和平均模糊熵对分类性能进行评价。结果表明,与基于EMD和EEMD算法的轴承故障诊断方法相比,基于CEEMD互近似熵和模糊C均值聚类相结合的方法可以更准确、有效地实现轴承的故障判别,为实际滚动轴承故障诊断提供一定的理论参考。展开更多
文摘针对滚动轴承故障振动信号的非平稳特性,提出一种结合互补的总体经验模式分解(CEEMD)互近似熵和模糊C均值(fuzzy C means,FCM)聚类的诊断新方法。CEEMD可以有效抑制经验模式分解(EMD)在非线性非平稳信号处理中存在模态混叠和总体经验模式分解(CEEMD)添加的白噪声不能完全被中和问题;互近似熵是能更好体现信号的不规则度和复杂度。首先对正常信号和故障信号进行CEEMD分解,提取真实IMF分量互近似熵表达故障信息,最后采用FCM对数据样本进行分类,并通过计算分类系数和平均模糊熵对分类性能进行评价。结果表明,与基于EMD和EEMD算法的轴承故障诊断方法相比,基于CEEMD互近似熵和模糊C均值聚类相结合的方法可以更准确、有效地实现轴承的故障判别,为实际滚动轴承故障诊断提供一定的理论参考。
