基于改进K均值算法的滚动轴承故障诊断

吴德浩1，陈茂银1，周东华1,2

【摘 要】滚动轴承的故障诊断对于确保机械设备的安全可靠性有着十分重大的意义。本文采用模式识别的方法，借助振动数据对滚动轴承进行故障诊断。为了改善K均值算法极易陷入局部最优解的情况，利用粒子群算法与K均值算法进行混合聚类，设计了一种基于自适应粒子群的K均值算法，它在惯性权重的调整和学习因子的设置等方面有别于传统的混合聚类算法。提取滚动轴承振动信号的28个时域和频域特征，采用主成分分析方法进行降维处理，再分别利用三种聚类算法对滚动轴承进行故障诊断。仿真表明，基于自适应粒子群的K均值算法能够增强K均值算法的寻优能力，可以改善传统混合聚类算法容易早熟、收敛速度较慢等缺点。

【期刊名称】山东科技大学学报（自然科学版）

【年(卷),期】2017(036)004

【总页数】8

【关键词】滚动轴承；故障诊断；主成分分析；K均值算法；粒子群算法

滚动轴承是旋转机械设备的关键基础部件，在诸多工业领域中扮演了举足轻重的角色，其正常运行对于保障机械设备的安全可靠性至关重要。所以，滚动轴承的故障诊断在工业生产中有着非常重大的意义。

近年来，模式识别方法在滚动轴承故障诊断领域引起了很多学者的关注。该方法不需要建立系统的数学模型，而是根据轴承的振动数据来判断其工作状态，属于数据驱动的故障诊断方法[1]。从某种意义上说，对滚动轴承进行故障诊断就是对其特征模式进行识别和分类的过程[2]。

K均值算法作为一种经典的模式识别算法，凭借其简单高效的优点，在学术界和工业界都得到了广泛的应用。该方法总是沿着梯度下降的方向寻找目标函数的最优解，不同的初始聚类中心往往对应着不同的搜索路径，因此获得的最终聚类结果也不尽相同。当数据样本的维数较高、数量较大时，目标函数往往存在许多局部极小值点。若初始聚类中心未能选取得当，一般情况下只能获得局部极小值而非全局最小值。为解决此问题，许多科研人员提出了各种不同的改进方法，主要可以分为以下两类。