本發(fā)明屬于旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域，具體涉及一種基于拉普拉斯分值和自適應(yīng)模糊C均值聚類(lèi)的滾動(dòng)軸承故障診斷方法。

背景技術(shù)：

滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械的關(guān)鍵零部件，其工作狀態(tài)的好壞將直接影響到整臺(tái)機(jī)械設(shè)備的工作狀態(tài)。滾動(dòng)軸承故障是導(dǎo)致旋轉(zhuǎn)機(jī)械設(shè)備發(fā)生故障的主要原因之一，嚴(yán)重時(shí)甚至可能導(dǎo)致重大財(cái)產(chǎn)損失。因此，為了避免由軸承導(dǎo)致的機(jī)械故障，減少經(jīng)濟(jì)損失，對(duì)軸承進(jìn)行狀態(tài)監(jiān)測(cè)及故障診斷從而保證其正常運(yùn)行非常有必要。

目前，針對(duì)滾動(dòng)軸承故障診斷，最常用的方法是基于振動(dòng)信號(hào)分析。它主要包括三個(gè)步驟：數(shù)據(jù)采集與預(yù)處理，特征提取，模式識(shí)別。其中，特征選擇和提取是故障診斷的關(guān)鍵，模式識(shí)別則是核心。只有選擇合適的特征參量和有效的模式識(shí)別方法，才能保證故障診斷的可靠性。

故障可以根據(jù)不同特征來(lái)識(shí)別，但是不同特征對(duì)故障的敏感程度卻不一樣。有些特征與故障密切相關(guān)，另一些可能是冗余甚至無(wú)關(guān)的特征。因此，在將特征輸入分類(lèi)器之前，保留對(duì)故障敏感度高的特征，剔除對(duì)故障敏感度低的特征，有利于減少計(jì)算量，避免維數(shù)災(zāi)難，提高分類(lèi)的準(zhǔn)確性。

拉普拉斯分值利用局部保持能力來(lái)衡量特征，通過(guò)直接對(duì)特征集進(jìn)行學(xué)習(xí)提取數(shù)據(jù)內(nèi)在的信息結(jié)構(gòu)，將復(fù)雜的高維特征空間轉(zhuǎn)化為簡(jiǎn)單的低維特征空間，在特征空間中選取分值較小的特征，極大程度地保留了故障信號(hào)特征集合中內(nèi)含的整體幾何結(jié)構(gòu)信息，從而利于滾動(dòng)軸承故障判別與診斷。

聚類(lèi)分析可根據(jù)數(shù)據(jù)間的相似性來(lái)實(shí)現(xiàn)數(shù)據(jù)區(qū)分。傳統(tǒng)的聚類(lèi)分析是一種硬劃分，它把每個(gè)待識(shí)別的對(duì)象嚴(yán)格地劃分到某個(gè)類(lèi)中，具有非此即彼的性質(zhì)，這種分類(lèi)的類(lèi)別界限是分明的。顯然，這種分類(lèi)不適用于具有模糊性的問(wèn)題，即那些并沒(méi)有嚴(yán)格的屬性的對(duì)象，它們?cè)谛螒B(tài)和類(lèi)屬方面存在著中介性，適合進(jìn)行軟劃分。模糊集理論為這種軟劃分提供了有力的分析工具，這種采用模糊的方法來(lái)處理聚類(lèi)問(wèn)題稱(chēng)為模糊聚類(lèi)分析。模糊C均值聚類(lèi)(FCM)算法可以有效進(jìn)行聚類(lèi)分析，但需要事先設(shè)定聚類(lèi)數(shù)，這樣給出的聚類(lèi)是否合理就需要進(jìn)行有效性驗(yàn)證。如果聚類(lèi)數(shù)選取的不合適，會(huì)使劃分結(jié)果與數(shù)據(jù)集的真正結(jié)構(gòu)不相符，從而導(dǎo)致分類(lèi)失敗。因此，只有選擇了正確的聚類(lèi)數(shù)才能獲得較好的分類(lèi)結(jié)果。自適應(yīng)模糊C均值聚類(lèi)算法可以根據(jù)數(shù)據(jù)集自動(dòng)給出最佳的聚類(lèi)數(shù)，從而準(zhǔn)確實(shí)現(xiàn)故障類(lèi)型劃分。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)故障軸承振動(dòng)信號(hào)的非平穩(wěn)性及高維特征選擇問(wèn)題，本發(fā)明公開(kāi)了一種基于拉普拉斯分值和自適應(yīng)模糊C均值聚類(lèi)的滾動(dòng)軸承早期微弱故障診斷方法。

本發(fā)明包括以下步驟：

步驟一、獲取滾動(dòng)軸承在正常、內(nèi)圈故障、外圈故障以及滾動(dòng)體故障狀態(tài)下的振動(dòng)加速度信號(hào)，得到時(shí)域信號(hào)樣本集；

步驟二、計(jì)算樣本集中每個(gè)樣本的若干個(gè)典型時(shí)域統(tǒng)計(jì)參數(shù)，構(gòu)成初始特征集；

步驟三、計(jì)算初始特征集中每個(gè)特征的拉普拉斯分值，按從小到大排列，選取排在最前的若干個(gè)特征組成故障特征矩陣；

具體進(jìn)行如下處理：

步驟3.1：構(gòu)造一個(gè)具有m個(gè)樣本點(diǎn)的臨近圖G，第i個(gè)節(jié)點(diǎn)對(duì)應(yīng)x_i，第j個(gè)節(jié)點(diǎn)對(duì)應(yīng)x_j；如果x_i和x_j足夠近，則有邊連接，否則沒(méi)有邊連接。

步驟3.2：如果節(jié)點(diǎn)i和j是連通的，則令其中，i，j＝1,…,m,其中t是一個(gè)合適的常數(shù)；否則令S_ij＝0；

步驟3.3：對(duì)于第r個(gè)特征，定義

f_r＝[f_r1,f_r2,…,f_rm]^T,D＝SI,I＝[1,…,1]^T,L＝D-S

D為對(duì)角陣，矩陣L稱(chēng)為圖G的拉普拉斯矩陣，f_ri表示第i個(gè)樣本的第r個(gè)特征，I為單元矩陣，f_r為各f_ri的特征元素集合，i＝1,…,m；

步驟3.4：對(duì)各個(gè)特征進(jìn)行去均值化處理，得到去均值化處理后的各f_ri的特征元素集合

步驟3.5：計(jì)算第r個(gè)特征的拉普拉斯分值

$L_r=\frac{{\widetilde{f_r}}^{T}L\widetilde{f_r}}{{\widetilde{f_r}}^{T}D\widetilde{f_r}}$

L_r表示第r個(gè)特征的拉普拉斯分值；

步驟四、采用自適應(yīng)模糊C均值聚類(lèi)方法對(duì)故障特征矩陣進(jìn)行聚類(lèi)分析，獲得最佳聚類(lèi)數(shù)和聚類(lèi)中心，聚類(lèi)數(shù)即樣本集包含的故障類(lèi)型數(shù)；

設(shè)x_i表示數(shù)據(jù)集，n表示數(shù)據(jù)集中元素的個(gè)數(shù)，c表示聚類(lèi)中心(1＜c＜n)，d_ij＝||x_i-v_i||表示樣本x_j和聚類(lèi)中心v_i的歐氏距離，u_ij表示第j個(gè)樣本到第i個(gè)聚類(lèi)中心的隸屬度，U＝[u_ij]_c×n表示關(guān)系矩陣,V＝[v_ij]_s×c表示聚類(lèi)中心矩陣。

總體樣本的中心向量為

$\stackrel{\‾}{x}=\frac{{\mathrm{\Σ}}_{i=1}^c{\mathrm{\Σ}}_{j=1}^n{u}_{ij}^m{x}_j}{n}$

下面給出聚類(lèi)數(shù)c的自適應(yīng)函數(shù)

$L\left(c\right)=\frac{{\Σ}_{i=1}^c\left({\Σ}_{j=1}^n{u}_{ij}^m\right)\left|\right|v_i-\stackrel{\‾}{x}|{|}^2/(c-1)}{{\Σ}_{i=1}^c\left({\Σ}_{j=1}^n{u}_{ij}^m\right)\left|\right|x_j-v_i|{|}^2/(n-c)}$

在不做特殊要求下可取m＝2，k表示迭代次數(shù)(取大于或等于1的整數(shù))，具體進(jìn)行如下處理：步驟4.1：給出迭代標(biāo)準(zhǔn)ε＝0.001，聚類(lèi)數(shù)c＝2,聚類(lèi)數(shù)為1的自適應(yīng)函數(shù)L(c)＝0，初始分類(lèi)矩陣V⁽⁰⁾，k＝0；

步驟4.2：用下面公式計(jì)算U^(k)

$u_{ij}^{\left(k\right)}=\frac{1}{{\mathrm{\Σ}}_{r=1}^c{\left(\frac{d_{ij}^{\left(k\right)}}{d_{rj}^{\left(k\right)}}\right)}^{\frac{2}{m-1}}}$

如果存在j,r,使得則令且對(duì)i≠r,

步驟4.3：用下面公式計(jì)算V^(k+1)，

$v_i^{(k+1)}=\frac{{\mathrm{\Σ}}_{j=1}^n{\left(u_{ij}^{\left(k\right)}\right)}^m{x}_j}{{\mathrm{\Σ}}_{j=1}^n{\left(u_{ij}^{\left(k\right)}\right)}^m}$

比較V^(k+1)和V^(k)，若||V^(k+1)-V^(k)||≤ε，則停止迭代，否則，置k＝k+1,轉(zhuǎn)向步驟4.1；

步驟4.4：計(jì)算L(c)，在c＞2且c＜n的情況下，若L(c-1)＞L(c-2)且L(c-1)＞L(c)，則聚類(lèi)過(guò)程結(jié)束，否則，置c＝c+1,轉(zhuǎn)向步驟4.1；

步驟五、計(jì)算未知樣本和已知樣本集的聚類(lèi)中心之間的貼近度，根據(jù)貼近度的大小確定未知樣本的故障類(lèi)型。

本發(fā)明的優(yōu)點(diǎn)與積極效果在于：

(1)計(jì)算量小，可有效避免維數(shù)災(zāi)難

基于拉普拉斯分值的特征選擇通過(guò)直接對(duì)特征集進(jìn)行學(xué)習(xí)提取數(shù)據(jù)內(nèi)在的信息結(jié)構(gòu)，將復(fù)雜的高維特征空間轉(zhuǎn)化為簡(jiǎn)單的低維特征空間，在特征空間中選取分值較小的特征，極大程度地保留了故障信號(hào)特征集合中內(nèi)含的整體幾何結(jié)構(gòu)信息。由于只保留了與故障聯(lián)系密切的少量典型特征，所以使得特征分類(lèi)時(shí)的計(jì)算量大大減少，也可有效避免特征數(shù)過(guò)高而導(dǎo)致的維數(shù)災(zāi)難。

(2)自適應(yīng)給出最佳分類(lèi)數(shù)，不需人為設(shè)定

傳統(tǒng)的模糊C均值聚類(lèi)(FCM)算法可以有效進(jìn)行聚類(lèi)分析，但需要事先設(shè)定聚類(lèi)數(shù)，這樣給出的聚類(lèi)是否合理就需要進(jìn)行有效性驗(yàn)證。如果聚類(lèi)數(shù)選取的不合適，會(huì)使劃分結(jié)果與數(shù)據(jù)集的真正結(jié)構(gòu)不相符，從而導(dǎo)致分類(lèi)失敗。自適應(yīng)模糊C均值聚類(lèi)算法則不存在此問(wèn)題，它可以根據(jù)數(shù)據(jù)集自動(dòng)給出最佳的聚類(lèi)數(shù)，從而準(zhǔn)確實(shí)現(xiàn)故障類(lèi)型劃分。

(3)模式識(shí)別方便有效

有了基于拉普拉斯分值選擇的典型特征及自適應(yīng)模糊C均值聚類(lèi)算法得到的最佳聚類(lèi)中心，只需根據(jù)未知樣本和已知樣本之間的海明貼近度大小，即可判別未知樣本的故障類(lèi)型。

附圖說(shuō)明

圖1是本發(fā)明的滾動(dòng)軸承故障診斷方法整體步驟流程圖；

圖2是本發(fā)明的FCM算法聚類(lèi)數(shù)c的自適應(yīng)過(guò)程流程圖；

圖3是本發(fā)明實(shí)例中故障分類(lèi)結(jié)果圖。

具體實(shí)施方式

本發(fā)明是一種軸承故障診斷算法，下面將結(jié)合附圖，對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。

以美國(guó)凱斯西儲(chǔ)大學(xué)軸承振動(dòng)數(shù)據(jù)庫(kù)的部分實(shí)驗(yàn)數(shù)據(jù)中SKF的6205-2RS深溝球軸承為例。

本發(fā)明公開(kāi)的滾動(dòng)軸承故障診斷方法的整體步驟流程圖如圖1所示，具體步驟如下：

1、選取振動(dòng)信號(hào)及獲得初始特征集

針對(duì)正常軸承，3種不同程度(0.1778毫米,0.3556毫米,0.5332毫米)的單點(diǎn)內(nèi)圈故障，0.1778毫米的單點(diǎn)外圈故障，0.1778毫米的單點(diǎn)滾動(dòng)體故障，這6種狀態(tài)進(jìn)行分析，每種狀態(tài)選取7組數(shù)據(jù)(其中5組作為訓(xùn)練樣本，2組作為測(cè)試樣本)，共42組數(shù)據(jù)。滾動(dòng)軸承的振動(dòng)信號(hào)是典型的時(shí)域信號(hào)，其時(shí)域統(tǒng)計(jì)特征參數(shù)能夠很好地反映振動(dòng)強(qiáng)度、信號(hào)能量、沖擊時(shí)域等信息，因此本發(fā)明以9個(gè)典型的時(shí)域統(tǒng)計(jì)特征參數(shù)為例，構(gòu)成初始特集。這9個(gè)統(tǒng)計(jì)參數(shù)分別為平均值(X_ave),有效值(X_rms),最大值(X_max),峭度(X_kur),標(biāo)準(zhǔn)差(X_std),偏度(X_ske),形狀因子(S_f),峰值因子(C_f),沖擊因子(I)，其計(jì)算公式分別如下：X_max＝max{x₁,x₂,…,x_n}，其中n為采樣點(diǎn)數(shù)，x₁,x₂,…,x_n表示n個(gè)采樣點(diǎn)。30組訓(xùn)練樣本的9個(gè)時(shí)域特征參數(shù)如表1所示。

2、利用拉普拉斯分值選擇特征及獲得故障特征矩陣

拉普拉斯分值的基本思想是：利用特征的局部保持能力來(lái)衡量特征，在特征空間中選取分值較小的特征，不僅極大地保留了故障信號(hào)特征信息，而且將復(fù)雜的高維特征空間轉(zhuǎn)化為簡(jiǎn)單的低維特征空間，從而利于滾動(dòng)軸承故障判別與診斷。

設(shè)L_r表示第r個(gè)特征的拉普拉斯分值，f_ri表示第i個(gè)樣本的第r個(gè)特征(i＝1,…,m)，那么特征的拉普拉斯分值計(jì)算步驟如下：

(1)構(gòu)造一個(gè)具有m個(gè)樣本點(diǎn)的臨近圖G，第i個(gè)節(jié)點(diǎn)對(duì)應(yīng)x_i，如果x_i和x_j足夠近，則有邊連接，否則沒(méi)有邊連接。當(dāng)節(jié)點(diǎn)的標(biāo)號(hào)已知時(shí)，可以在同一標(biāo)號(hào)的兩節(jié)點(diǎn)之間連接一條邊。

(2)如果節(jié)點(diǎn)i和j是連通的，則令其中t是一個(gè)合適常數(shù)；否則令S_ij＝0。加權(quán)矩陣S稱(chēng)為圖G的相似矩陣，它用來(lái)衡量近鄰樣本點(diǎn)之間的相似性，描述了數(shù)據(jù)空間的固有局部幾何結(jié)構(gòu)；S中元素的值越大，表明兩個(gè)樣本越相近，越有可能屬于同一類(lèi)，反之，則越有可能屬于不同類(lèi)。

(3)對(duì)于第r個(gè)特征，定義

f_r＝[f_r1,f_r2,…,f_rm]^T,D＝SI,I＝[1,…,1]^T,L＝D-S

D為對(duì)角陣，矩陣L稱(chēng)為圖G的拉普拉斯矩陣。為了避免發(fā)生某些維度數(shù)據(jù)差異很大而主導(dǎo)近鄰圖的構(gòu)造的現(xiàn)象，對(duì)各個(gè)特征進(jìn)行去均值化處理，得到

$\widetilde{f_r}=f_r-\frac{{f_r}^{T}DI}{I^{T}DI}I$

(4)第r個(gè)特征的拉普拉斯分值計(jì)算如下：

$L_r=\frac{{\widetilde{f_r}}^{T}L\widetilde{f_r}}{{\widetilde{f_r}}^{T}D\widetilde{f_r}}$

分子越小表示近鄰的樣本在該特征上的差異越小，即該特征的局部信息保持能力越強(qiáng)；分母越大表示樣本在該特征上差異越大，即該特征的區(qū)分能力越強(qiáng)。因此，特征重要性與得分成反比，即得分越低，特征越重要。所以，拉普拉斯分值特征選擇法選取L_r值最小的幾個(gè)特征作為特征選擇結(jié)果。

(5)計(jì)算30組訓(xùn)練樣本的9個(gè)時(shí)域特征的拉普拉斯分值，結(jié)果如表2所示。從小到大對(duì)這些特征得分進(jìn)行排序，選擇排在前若干個(gè)特征作為最終的特征選擇結(jié)果，本發(fā)明以前兩個(gè)特征為例，從表2可以看出，選擇的2個(gè)特征分別為I和X_max，將9維特征降到2維，不僅極大地保留了故障特征信息，而且還減少了對(duì)特征分類(lèi)時(shí)的計(jì)算量，有利于故障判別與診斷。所以，故障特征矩陣就是由30行樣本和2列特征值構(gòu)成的30×2的矩陣。

表1訓(xùn)練樣本的9個(gè)時(shí)域統(tǒng)計(jì)參數(shù)

表2訓(xùn)練樣本的9個(gè)時(shí)域統(tǒng)計(jì)參數(shù)的拉普拉斯分值

3、利用自適應(yīng)模糊C均值聚類(lèi)對(duì)樣本分類(lèi)

聚類(lèi)的目的就是將數(shù)據(jù)分類(lèi)并盡量使不同類(lèi)的數(shù)據(jù)點(diǎn)距離盡可能的大而同類(lèi)的數(shù)據(jù)點(diǎn)距離盡可能的小。FCM算法可以有效進(jìn)行聚類(lèi)分析，但聚類(lèi)數(shù)需要事先人為給出，這樣給出的聚類(lèi)是否合理就需要進(jìn)行有效性驗(yàn)證。

設(shè)x_i表示數(shù)據(jù)集，n表示數(shù)據(jù)集中元素的個(gè)數(shù)，c表示聚類(lèi)中心(1＜c＜n)，d_ij＝||x_j-v_i||表示樣本x_j和聚類(lèi)中心v_i的歐氏距離，u_ij表示第j個(gè)樣本到第i個(gè)聚類(lèi)中心的隸屬度，U＝[u_ij]_c×n表示關(guān)系矩陣,V＝[v_ij]_s×c表示聚類(lèi)中心矩陣。

下面給出聚類(lèi)數(shù)c的自適應(yīng)函數(shù)。

總體樣本的中心向量為

$\stackrel{\‾}{x}=\frac{{\mathrm{\Σ}}_{i=1}^c{\mathrm{\Σ}}_{j=1}^n{u}_{ij}^m{x}_j}{n}$

關(guān)系矩陣U^(k)為

$u_{ij}^{\left(k\right)}=\frac{1}{{\mathrm{\Σ}}_{r=1}^c{\left(\frac{d_{ij}^{\left(k\right)}}{d_{rj}^{\left(k\right)}}\right)}^{\frac{2}{m-1}}}$

聚類(lèi)中心矩陣V^(k+1)為

$v_i^{(k+1)}=\frac{{\mathrm{\Σ}}_{j=1}^n{\left(u_{ij}^{\left(k\right)}\right)}^m{x}_j}{{\mathrm{\Σ}}_{j=1}^n{\left(u_{ij}^{\left(k\right)}\right)}^m}$

聚類(lèi)數(shù)c的自適應(yīng)函數(shù)為

$L\left(c\right)=\frac{{\mathrm{\Σ}}_{i=1}^c\left({\mathrm{\Σ}}_{j=1}^n{u}_{ij}^m\right)\left|\right|v_i-\stackrel{\‾}{x}|{|}^2/(c-1)}{{\mathrm{\Σ}}_{i=1}^c\left({\mathrm{\Σ}}_{j=1}^n{u}_{ij}^m\right)\left|\right|x_j-v_i|{|}^2/(n-c)}$

分子表征不同類(lèi)數(shù)據(jù)點(diǎn)之間的距離，分母表征同類(lèi)的數(shù)據(jù)點(diǎn)與該類(lèi)中心之間的距離，因此，L(c)的值越大，說(shuō)明分類(lèi)越合理，對(duì)應(yīng)L(c)值最大的c為最佳分類(lèi)值。

在不做特殊要求下可取m＝2，k表示迭代次數(shù)(取大于或等于1的整數(shù))，針對(duì)上面給出的聚類(lèi)數(shù)c的自適應(yīng)函數(shù)，有下面的FCM算法聚類(lèi)數(shù)c的自適應(yīng)過(guò)程，對(duì)應(yīng)流程圖如圖2所示：

(1)給出迭代標(biāo)準(zhǔn)ε＝0.001，聚類(lèi)數(shù)c＝2,聚類(lèi)數(shù)為1的自適應(yīng)函數(shù)L(c)＝0，初始分類(lèi)矩陣V⁽⁰⁾，k＝0；

(2)計(jì)算U^(k)，如果存在j,r,使得則令且對(duì)i≠r,

(3)計(jì)算V^(k+1)，并計(jì)較V^(k+1)和V^(k)，若||V^(k+1)-V^(k)||≤ε，則停止迭代，否則，置k＝k+1,轉(zhuǎn)向(1)；

(4)計(jì)算L(c)，在c＞2且c＜n的情況下，若L(c-1)＞L(c-2)且L(c-1)＞L(c)，則聚類(lèi)過(guò)程結(jié)束，否則，置c＝c+1,轉(zhuǎn)向(1)；

(5)30×2的故障特征矩陣的自適應(yīng)模糊C均值聚類(lèi)的結(jié)果如表3，表4及圖3所示。根據(jù)圖3，可以清楚的看到30組樣本被分為6類(lèi)，并且從表3可以得出最佳聚類(lèi)數(shù)c＝6，樣本中6類(lèi)故障被正確區(qū)分開(kāi)。

表3故障特征矩陣的自適應(yīng)模糊C均值聚類(lèi)的目標(biāo)函數(shù)L(c)

表4訓(xùn)練樣本的自適應(yīng)模糊C均值聚類(lèi)的聚類(lèi)中心矩陣

4.利用貼近度實(shí)現(xiàn)故障類(lèi)型識(shí)別

模糊診斷中常采用貼近度進(jìn)行模式識(shí)別，本發(fā)明以海明貼近度為例，其計(jì)算公式如下：

$N(A,B)=1-\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}|A\left(x_k\right)-B\left(x_k\right)|$

式中A為標(biāo)準(zhǔn)模糊模式，B為待識(shí)別模糊對(duì)象，k＝1,2,…,n。貼近度N(A,B)越大，表明兩個(gè)模糊子集越相似，反之則越差。模糊診斷中，首先通過(guò)模糊C均值聚類(lèi)算法對(duì)已知故障樣本進(jìn)行聚類(lèi)得到各聚類(lèi)中心，然后計(jì)算待測(cè)故障樣本與聚類(lèi)中心的貼近度，從而確定待測(cè)故障樣本的類(lèi)別。

訓(xùn)練樣本中6類(lèi)故障的聚類(lèi)中心如表4所示，表中N表示正常狀態(tài)，B表示0.1778毫米的單點(diǎn)滾動(dòng)體故障，O表示0.1778毫米的單點(diǎn)外圈故障，I-1，I-2，I-3分別表示0.1778毫米,0.3556毫米,0.5332毫米的單點(diǎn)內(nèi)圈故障。12組待測(cè)樣本與已知訓(xùn)練樣本的貼近結(jié)果如表5所示。根據(jù)表5，可以看出已知樣本和未知樣本的最大貼極度達(dá)100％，因此，可以確定該未知樣本的狀態(tài)和該已知樣本的狀態(tài)一致，并得到的結(jié)果與實(shí)際相符。

表5待測(cè)樣本和已知樣本的海明貼近度及診斷結(jié)果

通過(guò)以上滾動(dòng)軸承故障分類(lèi)及識(shí)別方法的詳細(xì)描述，可見(jiàn)本發(fā)明的基于拉普拉斯分值和自適應(yīng)模糊C均值聚類(lèi)的滾動(dòng)軸承故障診斷方法具有明顯的優(yōu)勢(shì)：

1、基于拉普拉斯分值的特征選擇在極大程度地保留故障信號(hào)特征集合中內(nèi)含的整體幾何結(jié)構(gòu)信息的基礎(chǔ)上，只選擇少量幾個(gè)局部信息保持能力強(qiáng)的特征，從而將復(fù)雜的高維特征空間轉(zhuǎn)化為簡(jiǎn)單的低維特征空間，極大地縮減了故障分類(lèi)時(shí)的計(jì)算量，有利于故障分類(lèi)與識(shí)別。

2、基于自適應(yīng)模糊C均值聚類(lèi)的故障分類(lèi)算法克服了傳統(tǒng)的模糊C均值聚類(lèi)算法需要事先人為設(shè)定聚類(lèi)數(shù)的缺陷，它可以根據(jù)數(shù)據(jù)集自動(dòng)給出最佳聚類(lèi)數(shù)，從而準(zhǔn)確實(shí)現(xiàn)故障類(lèi)型劃分。

3、有了基于拉普拉斯分值選擇的典型特征及自適應(yīng)模糊C均值聚類(lèi)算法得到的最佳聚類(lèi)中心，只需根據(jù)未知樣本和已知樣本之間的貼近度大小，即可判別未知樣本的故障類(lèi)型，簡(jiǎn)單有效而且精度高。