【正文】 optimize the Kmeans clustering algorithm can correctly sample set with different fault types correctly classified。clock in the three directions, the vibration data obtained by the collection of the acceleration sensors arranged on the motor housing, and the sampling frequency is 12 kHz, power, and speed by the torque sensor / decoder measured. The collected data are stored as *. mat format (MATLAB files). 6 Conclusion Recognize the new method based on EMD and optimization of the Kmeans clustering algorithm ball bearing fault diagnosis and fault extent. Rolling normal, the inner ring failure, failure of the outer ring and rolling the fault experimental signal analysis results show that: the empirical mode deposition signal noise can be removed to improve the signaltonoise ratio, thereby highlighting the fault characteristics。clock, 6 o39。 fixed wavelet basis and constant resolution wavelet analysis did not get rid of the limitations of the Fourier analysis. EMD according to the local characteristics of the signal, adaptive to a plex signal is deposed into a series of intrinsic mode function IMF, each IMF ponent corresponds to a real physical significance. Window Fourier Transform, WignerVille, wavelet transform contrast, EMD is an adaptive multiresolution analysis method, it is very suitable for the analysis of nonlinear and nonstationary signals [8]. Many scholars on EMD and pattern recognition methods bine applied to fault diagnosis of mechanical systems, but most of the existing diagnostic methods have certain requirements for the quantity and quality of the training samples, and most of the diagnostic methods only on the type of fault classification For essential in the practical application of the degree of fault and not too involved. [9] EMD and neural work pattern recognition methods bined rolling element bearing fault diagnosis, this method requires a sufficient number of samples to train the neural work, and requires high quality training samples。 EMD( empirical mode deposition) 。 fault diagnosis。 文中所提出的方法是以故障特征頻率處的幅值為特征量 ， 在以后的研究工作中可在特征量的選取方面作進(jìn)一步的有益探索 。 在對(duì)含同一類型故障 、 不同故障程度的樣本集分類中 ， 優(yōu)化 K均值聚類算法正確地完成了不同故障程度的分類 。 提取的特征量可準(zhǔn)確表征故障類型和故障程度 。 6 結(jié)束語 介紹了基于 EMD 和優(yōu)化 K均值聚類算法的滾動(dòng)軸承故障診斷和故障程度識(shí)別新方法 。 其中 ， 軸承外圈的損傷點(diǎn) 分別在時(shí)鐘 : 3 點(diǎn)鐘 、 6 點(diǎn)鐘 、 12點(diǎn)鐘三個(gè)方向 ， 振動(dòng)數(shù)據(jù)由布置在電動(dòng)機(jī)外殼上的振動(dòng)加速度傳感器采集得到 ， 采樣頻率為 12 kHz， 功率和轉(zhuǎn)速通過扭矩傳感器 /譯碼器測(cè)得 。 文中所用數(shù)據(jù)均來自美國 Case Western Reserve University電氣工程實(shí)驗(yàn)室的滾動(dòng)軸承故障模擬實(shí)驗(yàn)臺(tái) ［ 11］， 該實(shí)驗(yàn)臺(tái)包括一個(gè) 2 馬力的電動(dòng)機(jī) 、 一個(gè)扭矩傳感器和一個(gè)功率測(cè)試計(jì) 。 文獻(xiàn)［ 10］ 提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)的柴油機(jī)振動(dòng)信號(hào)分析方法 ， 14 該方法也需要一定數(shù)量具有典型故障特征的訓(xùn)練樣本 ， 在少量訓(xùn)練樣本的情況下 ， 支持向量機(jī)的總體分類性能會(huì)有所降低 。 已經(jīng)有許多學(xué)者將 EMD 與模式識(shí)別方法結(jié)合起來應(yīng)用于機(jī)械系統(tǒng)的故障診斷 ， 但已有的診斷方法大多對(duì)訓(xùn)練樣本的數(shù)量和質(zhì)量有一定的要求 ， 且大多診斷方法只對(duì)故障類型進(jìn)行了分類 ， 而對(duì)于在實(shí)際應(yīng)用中至關(guān)重要的故障程度并沒有太多 涉及 。 EMD 能根據(jù)信號(hào)的局部特征 ， 自適應(yīng)地將一個(gè)復(fù)雜信號(hào)分解為一系列本征模態(tài)函數(shù) IMF， 每一個(gè) IMF 分量都對(duì)應(yīng)真實(shí)的物理意義 。 WignerVille 分布在對(duì)多分量信號(hào)進(jìn)行分析時(shí)易產(chǎn)生交叉項(xiàng) ， 這一缺陷限制了其廣泛應(yīng)用 。 采用先進(jìn)技術(shù)對(duì)軸承進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷 ， 可實(shí)現(xiàn)軸承由事后維修 、 定期維修到監(jiān)測(cè)維修的轉(zhuǎn)變 ， 減少不必要的人力和物力浪費(fèi) ， 為提高經(jīng)濟(jì)效益貢獻(xiàn)力量 。 EMD。 故障診斷 。 也可將含同種故障類型 、 不同故障程度的樣本集 ， 按故障程度進(jìn)行正確分類 。 首先對(duì)原始振動(dòng)信號(hào)進(jìn)行 EMD 分解 ，對(duì)含故障特征的 IMF( intrinsic mode function) 分量進(jìn)行信號(hào)重構(gòu) ， 隨后對(duì)重構(gòu)信號(hào)進(jìn)行 Hilbert 包絡(luò)譜分析 ， 在提取特征量的基礎(chǔ)上 ， 應(yīng)用優(yōu)化 K均值聚類算法進(jìn)行故障類型和故障程度分類 。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(xué)，在論文設(shè)計(jì)期間共同探討問題，并指出我在設(shè)計(jì)上的誤區(qū)，使我能及時(shí)發(fā)現(xiàn)問題，從而把設(shè)計(jì)順利進(jìn)行下去， 沒有你們的幫助我不可能這樣順利地結(jié)稿，在此表示深深的謝意。 在老師的指導(dǎo)下，我在論文寫作方面的能力有所提高。 參考文獻(xiàn) [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(shù)據(jù)挖掘：概念與技術(shù) [M].范明，孟小峰譯 .原書第 3 版 .機(jī)械工業(yè)出版社 . [4] Toby Seqaran, Jeff [M].祝洪凱，李妹芳，鍛煉譯 .機(jī)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(shù)據(jù)挖掘：實(shí)用機(jī)器學(xué)習(xí)技術(shù) [M].第二版，機(jī)械工業(yè)出版社 . [7] 劉國偉 .MATLAB 程序設(shè)計(jì)教程（第二版） [M].中國水利水電出版社 . [8] 梅長(zhǎng)林，范金城 .數(shù)據(jù)分析方法 [M].高等教育出版社 . [9] 才家剛，王勇等 .滾動(dòng)軸承使用常識(shí) [M].第一版，機(jī)械工業(yè)出版社， 2021 年 . [10] 楊國安 .滾動(dòng)軸承故障診斷實(shí)用技術(shù) [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(xué)出版社 .2021 年 . [12] 卓金武 .MATLAB 在數(shù)學(xué)建模中的應(yīng)用 [M].北京航空航天大學(xué)出版社 . [13] 莫勒 .MATLAB 數(shù)值計(jì)算 [M].喻文建譯 .機(jī)械工業(yè)出版社，第一版， 2021. [1