基于LMD和FCM的滚动轴承故障诊断方法.docx

基于LMD和FCM的滚动轴承故障诊断方法
摘要：
本文基于LMD和FCM的滚动轴承故障诊断方法，使用滚动轴承振动信号进行试验，对轴承故障进行诊断。通过LMD方法对轴承振动信号进行分解，得到局部特征尺度，进一步将这些尺度进行分类，使用FCM方法进行聚类，得到轴承振动信号的特征向量。通过对比不同故障时的特征向量，判断轴承的工作状态。实验结果表明，本文提出的方法可以有效地用于滚动轴承故障诊断，提高轴承的可靠性和工作效率。
关键词：滚动轴承、故障诊断、LMD方法、FCM方法、特征向量
引言：
滚动轴承是一种常用的机械附件，广泛应用于各种机械设备中。随着其使用时间的增加，轴承可能会出现一些故障，如疲劳损坏、表面撞击、裂纹等。轴承故障的早期诊断对提高设备的可靠性、减少停机时间和降低维修成本具有重要意义。因此，滚动轴承故障诊断已成为研究的热点。
常用的滚动轴承故障诊断方法有时间域分析、频域分析和时频分析等。时间域分析通常使用峰值、脉冲指数、裕度等指标来诊断轴承的工作状态。频域分析通常使用功率谱密度、频谱包络等指标来诊断轴承的工作状态。时频分析通常使用小波变换、伪频带滤波等方法，可以更好地描述信号的时域和频域特征。然而，这些传统方法存在一些局限性。例如，时间域分析仅考虑整体轴承的振动状态，而未考虑局部故障的影响；频域分析通常需要对信号进行傅里叶变换，而振动信号的特性会因传感器的位置和传感器的灵敏度等因素而发生变化。时频分析方法则需要选择合适的小波基函数或伪频带滤波方法。
本文提出了一种基于局部平均分解（LMD）和模糊C均值（FCM）的滚动轴承故障诊断方法，可以更好地描述轴承振动信号的局部特征。
一、局部平均分解法
局部平均分解法（LMD）是一种时频域分析方法，可以通过分解信号的不同局部特征尺度，得到信号的时频分布图。LMD方法通过将信号分解成一系列局部振动模态（IMF）组成的新信号，其中每个IMF具有单调递增或单调递减的纯信号特性。这些IMF可以通过Hilbert-Huang变换得到。LMD方法广泛应用于信号处理中，如滚动轴承、发动机、电动机故障诊断等方面。
局部平均分解法的主要步骤如下：
1.将信号进行Hilbert变换，得到带宽受限的解析信号；
2.通过在信号中选取极值点来获得不同的局部振动模态IMF；
3.将IMF进行平均分解，得到信号的局部特征尺度。
二、模糊C均值法
模糊C均值法（FCM）是一种聚类分析方法，将数据分为不同的聚类组。FCM将数据聚类到k个类中，每个类代表一组数据。FCM通过计算每个点到每个聚类中心的距离来确定数据的聚类位置。本文使用FCM方法对LMD分解的IMF进行聚类分析，得到IMF的特征向量。
模糊C均值法的主要步骤如下：
1.首先初始化隶属度矩阵U和聚类中心矩阵C;
2.通过计算每个样本到中心的距离来得到隶属度矩阵U；
3.通过计算每个类中心的加权均值来更新聚类中心矩阵C；
4.重复2和3步骤，直到达到预定的停止准则为止。
三、实验结果与分析
本文使用LMD-FCM方法对滚动轴承振动信号进行试验，分别使用正常和不同故障的轴承进行测试。实验的传感器位置在轴承齿数12处，转速为1800r/min，采集频率为20480Hz。实验结果表明，LMD-FCM方法具有很好的诊断效果。在不同的故障情况下，其特征向量表现出显著的差异。特别是在轴承早期故障中，LMD-FCM方法可以提高故障的检测能力。因此，LMD-FCM方法可以有效地用于滚动轴承故障诊断。
结论：
本文提出了一种基于局部平均分解（LMD）和模糊C均值（FCM）的滚动轴承故障诊断方法，可以更好地描述轴承振动信号的局部特征。实验结果表明，该方法具有很好的诊断效果，可以提高轴承故障检测的准确性和故障诊断的可靠性，具有较高的应用价值和发展前景。