【正文】 2021 年 5 月 23 日 目 錄 K均值聚類算法在滾動軸承故障診斷中的應(yīng)用 ............................ I 摘要 ................................................................ I 1 前 言 ............................................................. 1 研究背景 ........................................................ 1 研究意義 ........................................................ 2 本論文研究數(shù)據(jù)及內(nèi)容 ............................................ 2 2 K均值聚類算 法 .................................................... 3 聚類算法介紹 .................................................... 3 K均值聚類算法介紹 .............................................. 3 K均值聚類算法基本思想 .......................................... 4 相似性度量及聚類準(zhǔn)則函數(shù) ........................................ 4 K均值聚類算法描述 .............................................. 5 K均值聚類算法過程 .............................................. 5 3 實驗結(jié)果及分析 .................................................... 5 K=2 時聚類結(jié)果 .................................................. 6 K=4 時聚類結(jié)果 .................................................. 8 參考文獻 ........................................................... 11 致 謝 .............................................................. 12 附 錄 .............................................................. 13 I K均值聚類算法在滾動軸承故障診斷中的應(yīng)用 姓 名： 專 業(yè)：信息與計算科學(xué) 指 導(dǎo)教師： 摘要 ： 滾動軸承作為旋轉(zhuǎn)機械中重要的零部件，對整個機械設(shè)備的正常工作起到舉足輕重的作用，然而滾動軸承又是其中極易損壞的元件 之一 。 據(jù)粗略估計，有 30%的機械故障是由滾動 軸承的故障引起的，因此對滾動軸承故障的診斷對機械的正常工作有重要意義。 聚類算法是數(shù)據(jù)挖掘領(lǐng)域中 非常 重要的研究方向，其中 K均值聚類算法是一種簡單快速的聚類算法。本文主要運用 K均值聚類算法對實驗中提取的 滾動軸承故障 數(shù)據(jù)進行聚類分析，以驗證實驗結(jié)果的正確率。 therefore the diagnosis of the rolling bearing fault has important significance. The clustering algorithm has widely used in the diagnosis of the rolling bearing fault. The clustering algorithm is a very important research direction of the data mining technology, and Kmeans is one of the clustering algorithms, which is easy and quick. If we apply the Kmeans to the fault diagnosis of the rolling bearing, we can verify the experimental result fast and efficient and also can detect the error, therefore reduce the economic loss. This text mainly applies the Kmeans to analyze the data of the diagnosis of the rolling bearing, which are collected from the II experiment, to test the accuracy of the experiment. Key words: rolling bearing。 Kmeans clustering。滾動軸承一般由內(nèi)環(huán)、外環(huán)、滾動體與保持架組成，內(nèi)環(huán)與軸相配合并與軸一起旋轉(zhuǎn)；外環(huán)與軸承座相配合起到支撐作用；滾動體 借助于保持架均勻的將滾動體分布在內(nèi)環(huán)和外環(huán)之間，其形狀大小和數(shù)量直接影響著滾動軸承的使用性能和壽命；保持架能使?jié)L動體均勻分布，防止?jié)L動體脫落，引導(dǎo)滾動體旋轉(zhuǎn)起潤滑作用。 滾動軸承是機械應(yīng)用中最為廣泛的機械零件，同時，它也是機器中最容易受到破壞的元件。據(jù)不完全統(tǒng)計，在使用滾動軸承的旋轉(zhuǎn)機械之中，大約有 30%的機械故障都是由于軸承而引起的。通常，由于軸承的種種缺陷會導(dǎo)致機器產(chǎn)生振動以及 噪聲，甚至 還會引起機器一定程度的 損壞。最早使用的軸承 故障 診斷方法是將聽音棒接觸軸承部位， 完全 依靠聽覺來 及經(jīng)驗判斷軸承有無故障。后來逐步采用各式測振儀器、儀表并利用位移、速度或加速度的均方根值或峰峰值來判斷軸承有無故障。隨著對滾動軸承運動學(xué)、動力學(xué)的深化 的 研究， 以及 對軸承振動信號中頻率成分和軸承零件的幾何尺寸及缺陷類型的關(guān)系 都 有了比較清楚的了解， FFT級數(shù)的發(fā)展也使 得利用頻率域分析和檢測軸承故障成為一種 很是 有效的途徑。 滾動軸承是一種廣泛應(yīng)用于國民經(jīng)濟和國防事業(yè)各個領(lǐng)域的重要的機械基礎(chǔ)件。 （ 2） 在國防事業(yè)上 滾動軸承是必備的軍備物資。 2 滾動軸承在長時間的摩擦運動中， 由于種種原因， 各個部件都會產(chǎn)生不同程度的故障 。 研究意義 由以上敘述可知，如果我們對滾動軸承產(chǎn) 生的故障視而不見，任由出現(xiàn)故障的軸承運行，可想而知，一旦不及時作出相應(yīng)的補救措施，那將會造成多大的經(jīng)濟損失。每個部件產(chǎn)生故障時，不同部件間相同的故障 特征會表現(xiàn)出不同。如果某個部件出現(xiàn)較大故障，要及時采取措施，以免造成重大損失。我們對故障數(shù)據(jù)聚類時，各個部件的故障數(shù)據(jù)會被聚為不同的類 簇，這樣就可驗證實驗的正確性。 綜上所述， 在機械設(shè)備中，滾動軸承是一種通用的連接和傳遞動力的零部件 ，幾乎在任何大型設(shè)備中滾動軸承都起著重要作用 。 本論文研究數(shù)據(jù)及內(nèi)容 本文對從 6205型深溝球滾動軸承 提取 的振動數(shù)據(jù)進行聚類分析，以驗證實驗結(jié)果的正確率。 數(shù)據(jù) 文件 中包含有 以下數(shù)據(jù)： ； ； ； 。 K均值聚類算法是基于劃分的算法，它通過進行不斷的迭代進行聚類，當(dāng)算法滿足收斂條件時停止迭代過程，輸出聚類結(jié)果。 當(dāng)聚類數(shù)目設(shè)置為 2 時，將正常數(shù)據(jù)與故障數(shù)據(jù)聚為兩個類別；當(dāng)聚類數(shù)目為 4時，將各種狀態(tài)的數(shù)據(jù)各聚為一類。 2 K均值聚類算 法 聚類算法介紹 聚類分析是由若干模式組成的。聚類分析以相似性為基礎(chǔ)，在同一個聚類中的模式之間比在不同一聚類中的模式之間具有更多的相似性，以此為根據(jù)進行聚類。類，就是指相似元素的集合。聚類分析 起源于分類學(xué)，在早時 的分類學(xué)中，人們主要 是 依靠經(jīng)驗和專業(yè)知識來實現(xiàn)分類，很少利用數(shù)學(xué)工具進行定量的分類。聚類分析內(nèi)容非常豐富，有系統(tǒng)聚類法、有序樣品聚類法、動態(tài)聚類法、模糊聚類法、圖論聚類法、聚類預(yù)報法等。 聚類分析的計算方法主要有如下幾種： 1．劃分法； 2. 層次法； 3. 密度算法； 4. 網(wǎng)格算法； 5. 模型算法； 6. KMEANS。 K均值聚類算法介紹 K均值聚類算法是一種數(shù)據(jù)挖掘技術(shù)，由于本算法思想簡單，容易得到實現(xiàn)，而且 對于求解大數(shù)據(jù)問題有較好的時間性能，因此 K均值聚類算法成為目前最常用的聚 類算法之一。 K均值聚類算法基本思想 該算法是將含有 n 個數(shù)據(jù)點的數(shù)據(jù)集合 ? ?nxxxX ,..., 21? 劃分為 K 個類簇 jC的問題，其中 Kj ,...,2,1? 。對每一個分配完的類簇計算新的聚類中心，按照新的聚類中心進行聚類。 相似性度量及聚類準(zhǔn)則函數(shù) 在運用 K均值聚類算法對數(shù)據(jù)集進行聚類時要選定某種距離作為樣本間的相似性度量，在計算不同數(shù)據(jù)樣本之間的距離時，我們可以選擇不同的距離計