LMD-BSE-AP滚动轴承故障诊断：一种无预设聚类数的方法

"这篇论文提出了一种新的滚动轴承故障诊断方法，它结合了局部均值分解（LMD）和基本尺度熵（BSE）的相邻传播（AP）聚类算法。这种方法解决了传统故障聚类模式识别中需要预先设定聚类数量的问题。通过LMD分解振动信号，提取特征，并利用BSE计算熵值，最后通过AP聚类进行故障识别。实验证明，该方法在不需要确定聚类中心数量的情况下，能有效地进行滚动轴承的故障诊断。" 在故障诊断领域，滚动轴承的健康状态监测和故障识别是至关重要的任务。传统的故障诊断方法往往依赖于人工设定的参数，例如聚类的数量，这可能导致诊断的不准确或效率低下。这篇研究论文介绍了一种创新的、自适应的诊断策略，它基于局部均值分解（LMD）和基本尺度熵（BSE）的相邻传播（AP）聚类算法。 局部均值分解（LMD）是一种时频分析方法，它能够将复杂的非平稳信号分解为一系列简单的乘积函数（PF）。在滚动轴承故障诊断的应用中，振动信号是关键的特征来源。LMD能有效地将这些振动信号分解，分离出与不同故障模式相关的频率成分，从而提供更清晰的故障特征。 基本尺度熵（BSE）是一种衡量信号复杂度和不确定性的方式，它在分析信号的尺度变换特性时非常有用。在本研究中，BSE被用来量化由LMD得到的前三个乘积函数（PF1-PF3）的熵值。熵值的大小可以反映信号的随机性和复杂性，这在故障模式识别中是重要的特征。BSE1-BSE3的计算结果作为AP聚类算法的输入，为故障分类提供了有效的特征向量。 相邻传播（AP）聚类算法是一种无监督学习方法，它不需要预先指定聚类的数量。AP算法通过计算样本之间的相似性来自动寻找最优的聚类结构。在滚动轴承故障诊断中，AP聚类能够根据BSE计算得到的特征自动形成故障类别，从而避免了人为设定聚类数目的难题。 实验结果显示，采用这种LMD-BSE-AP方法，即使在不预先知道故障类别的数量的情况下，也能实现良好的滚动轴承故障划分效果。这表明该方法具有较高的鲁棒性和自适应性，对于实际应用中的滚动轴承故障诊断具有重要的价值。 这篇论文的研究贡献在于提供了一个自动化、无需预设参数的滚动轴承故障诊断框架，这有助于提高诊断的精度和效率，减轻了工程师在诊断过程中的工作负担。这一方法可以应用于工业生产中的滚动轴承状态监测系统，有助于早期发现和预防可能的设备故障，减少停机时间和维修成本。