【文章內容簡介】 * ch(9) ch(10) 1 2 3 4 0 5 9 6 5 7 8 9 10 2 11 3 12 4 *(106? ) K=2 時聚類結果 結果顯示： 7 用 K均值聚類算法 對以上 12 組樣本數據聚類 ，當 K值取 2時， 12 組樣本數據 被聚為 兩組 ，滾動軸承正常數據和滾動軸承滾動體故障數據 被 聚為一類，滾動軸承內環(huán)故障數據和滾動軸承外環(huán)故障數據 被 聚為一類 ； 聚類中心如表 32。 表 32 聚類中心 Table 32 clustering center ch(1) ch(2) ch(3) ch(4) ch(5) ch(6) ch(7) ch(8)* ch(9) ch(10) M1 0 M2 *(106? ) 聚類結果如表 33，表 34 所示。滾動軸承正常數據和滾動軸承滾動體故障數據聚為一類，這說明正常數據和滾動體的故障數據 之間的相似程度相比其他部件之間的相似程度要更大一些。 表 33 類簇 C1 Table 33 cluster C1 特征 類簇 ch(1) ch(2) ch(3) ch(4) ch(5) ch(6) ch(7) ch(8)* ch(9) ch(10) C1 C1 C1 C1 C1 C1 *(106? ) 8 滾動軸承內環(huán)故障數據和滾動軸承外環(huán)故障數據被聚為一類，這說明內環(huán)故障數據和外環(huán)故障數據之間的相似程度相比其他部件之間的相似程度要更大一些。 表 34 類簇 C2 Table 34 cluster C2 特征 類簇 ch(1) ch(2) ch(3) ch(4) ch(5) ch(6) ch(7) ch(8)* ch(9) ch(10) C2 C2 C2 C2 C2 C2 *(106? ) K=4 時聚類結果 結果顯示： 當 K 值取 4 時， 12 組樣本數據 按故障類型分成了四類，即正常、內環(huán)故障、外環(huán)故障、滾動體故障 樣本 。第一類， 1,2,3 組樣本被聚為一類 ；第二類， 4,5,6組樣本被聚為一類；第三類， 7,8,9 組樣本被聚為一類；第四類， 10,11,12 組樣本被聚為一類。 聚 類結果與實驗數據完全吻合。 這說明實驗中所檢測的數據分類沒有錯誤。 聚類中心如表 35，聚類 結果如表 36，表 37，表 38，表 39 所示。 表 35 聚類中心 Table 35 clustering center ch(1) ch(2) ch(3) ch(4) ch(5) ch(6) ch(7) ch(8)* ch(9) ch(10) 9 M1 M2 M3 M4 *(106? ) 表 36 類簇 C1 Table 36 cluster C1 特征 類簇 ch(1) ch(2) ch(3) ch(4) ch(5) ch(6) ch(7) ch(8)* ch(9) ch(10) C1 C1 C1 *(106? ) 表 37 類簇 C2 Table 37 cluster C2 特征 類簇 ch(1) ch(2) ch(3) ch(4) ch(5) ch(6) ch(7) ch(8)* ch(9) ch(10) C2 C2 10 C2 *(106? ) 表 38 類簇 C3 Table 38 cluster C3 特征 類簇 ch(1) ch(2) ch(3) ch(4) ch(5) ch(6) ch(7) ch(8)* ch(9) ch(10) C3 C3 C3 *(106? ) 表 39 類簇 C4 Table 39 cluster C4 特征 類簇 ch(1) ch(2) ch(3) ch(4) ch(5) ch(6) ch(7) ch(8)* ch(9) ch(10) C4 C4 C4 *(106? ) 綜上可知，從 6205 型深溝球滾動軸承 所提取的 實驗 數據分類正確。 在進行的反復多次的實驗中， 我們對從實驗中提取的四類滾動軸承故障數據，正常數據，軸承滾動體故障數據 ，軸承內環(huán)故障數據，軸承外環(huán)故障數據 ，運用 K均值聚類算法 進行的多次計算中，絕大多數 次 的計算結果與實驗提取的 11 數據完全吻合。 因此，我們可 以認為實驗說句是正確的，這說明實驗中所檢測的數據分類沒有錯誤。 介紹了基于 K均值聚類算法在 滾動軸承 故障診斷中的應用， K均值聚類算法可正確地將含不同故障類型的樣本集進行正確分類 。用 K均值聚類算法對不同故障類型進行分類，驗證了 實驗數據的正確性 。 參考文獻 [1] LLC Books. Cluster Analysis: Clustering Criteria, Data Clustering Algorithms, Mixture Model, KMeans Clustering, Information Bottleneck Method, Min[M]. Books LLC, Wiki Series. [2] Gina M Siemieniec. Asa and Homogeneity Hypothesis Using KMeans Cluster Analysis[M]. Proquest, Umi Dissertation Publishing. [3] Micheline Kamber， 裴健 .數據挖掘：概念與技術 [M].范明，孟小峰譯 .原書第 3 版 .機械工業(yè)出版社 . [4] Toby Seqaran, Jeff [M].祝洪凱，李妹芳，鍛煉譯 .機械工業(yè)出版社 . [5] PangNing Tan, Michael [M].范明，范宏建譯 .第二版，人民郵電出版社， 2021 年 . [6] 威騰，弗蘭克 .數據挖掘：實用機器學習技術 [M].第二版，機械工業(yè)出版社 . [7] 劉國偉 .MATLAB 程序設計教程（第二版） [M].中國水利水電出版社 . [8] 梅長林，范金城 .數據分析方法 [M].高等教育出版社 . [9] 才家剛，王勇等 .滾動軸承使用常識 [M].第一版，機械工業(yè)出版社， 2021 年 . [10] 楊國安 .滾動軸承故障診斷實用技術 [M].第一版，中國石化出版社， 1012年 . [11] 張志涌 .精通 MATLAB R2021a[M].北京航空航天大學出版社 .2021 年 . [12] 卓金武 .MATLAB 在數學建模中的應用 [M].北京航空航天大學出版社 . [13] 莫勒 .MATLAB 數值計算 [M].喻文建譯 .機械工業(yè)出版社，第一版， 2021. [14] 郭艷平，顏文俊 .基于 EMD 和優(yōu)化 K均值算法診斷滾動軸承故障 [J].計算機應用研究， 2021 年，第 29卷第 7 期 . 12 致 謝 本 文是在 老師的 悉心指導下完成的。從 畢業(yè)設計題目的選擇 到 對課題的研究和論證 ，再到本論文的編寫以及反復修改的過程 ， 老師給予我細心的指導和 認真的解析。 在老師的指導下，我在論文寫作方面的能力有所提高。 老師以嚴謹求實，一絲不茍的治學態(tài)度和勤勉的工作態(tài)度深深感染了我，給了我巨大的啟迪，鼓舞和鞭策，并成為我人生路上的學習榜樣。在此，向老師表示衷心的感謝！ 還要感謝我們同一小組的幾位同學，在論文設計期間共同探討問題，并指出我在設計上的誤區(qū)，使我能及時發(fā)現(xiàn)問題，從而把設計順利進行下去， 沒有你們的幫助我不可能這樣順利地結稿，在此表示深深的謝意。 13 附 錄 基于 EMD 和優(yōu)化 K均值聚類算法診斷滾動軸承故障 摘要 : 考慮到滾動軸承振動信號的非平穩(wěn)特征和實際應用中典型故障樣本不易獲得等原因 ， 而在實際應用中 ， 故障程度識別和故障類型診斷一樣重要 ， 提出一種滾動軸承故障類型及故障程度識別方法 。 首先對原始振動信號進行 EMD 分解 ，對含故障特征的 IMF( intrinsi