基于主元熵的发动机能量数据聚类与故障识别.pdfVIP

华 南 理 工 大 学 学 报 （自然科 学版） 第４１卷 第１１期 ＪｏｕｒｎａｌｏｆＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ Ｖｏｌ．４１　Ｎｏ．１１ ２０１３年１１月 （ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ） Ｎｏｖｅｍｂｅｒ　２０１３ 文章编号：１０００５６５Ｘ（２０１３）１１０１３７０６ 　 基于主元熵的发动机能量数据聚类与故障识别  李怀俊　谢小鹏 　黄恒 （华南理工大学 汽车摩擦学与故障诊断研究所，广东 广州５１０６４０） 摘　要：提出一种面向能量数据、基于主元信息熵初始分类策略的发动机故障模式模糊 识别方法．该方法首先运用主元能量特征提取方法对相关性强的多维能量数据降维，按可 能分类数对能量保持率最大的第一主元进行聚类，同时基于核密度估计并按最大熵原理 确定最佳分类数和初始聚类中心，然后仅面向主元能量数据进行模糊聚类，得出最佳聚类 中心，再通过计算最大贴近度进行故障模式识别．实验结果表明，因采取了独立的初始分 类算法，该方法有效避免了随机选取初值的敏感问题，聚类精度优于传统算法，并可有效 降低运算开销，提高故障识别效果． 关键词：故障识别；主元；降维；能量数据；最大熵；模糊ｋ均值 中图分类号：ＴＨ１１７；ＴＨ１６５．３　　 ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１０００５６５Ｘ．２０１３．１１．０２３ 　　发动机状态监测与故障模式识别是借助一定的 时此类方法中普遍存在以下问题： 为提高识别效 ① 有效方式及发动机各种状态信息，结合先验知识进 果可能选取的单个故障的特征参数过多，直接送往 行信息的综合处理，进而得到关于系统运行状况和 识别模块进行训练会因数据维数过高或带有强噪声 故障状况的综合评价的过程．现有的发动机故障识 干扰而严重恶化识别器的聚类效率和故障判别能 别方法可分为基于动态数学模型的方法、基于信号 力，需采取有效方法进行特征降维． 常用的ＦＫＭ ② 处理的方法和基于知识的智能识别方法［１２］．通常 等算法存在缺陷：对初始值敏感聚类的类数不能自 ［９］ 做法是采取小波变换、经验模态分解等方法处理振 动确定 ，使用时必须确定聚类的有效性准则；类 动等非线性信号，提取典型故障特征，进而运用神经 中心的位置和特性不一定事先知道，必须随人为设 网络、支持向量机、粗糙集等基于知识的智能识别方 定的初始隶属度随机产生；收敛速度慢，容易陷入局 ［３４］ 法进行故障判别 ．在此过程中，由于故障原因与 部极值点而得不到最优分类．因此需寻找有效方法解 征兆的映射关系呈现不确定性及闭环非线性，基于 决初始值敏感及分类数无法自动确定等关键问题． 模糊聚类方法的故障模式识别成为智能识别方法中 基于此，文中提出了主元信息熵的概念，以及将 的研究热点与难点，且被证明是一类有效的振动故