【故障诊断】基于FCM模糊聚类算法实现轴承故障诊断附Matlab代码

最新推荐文章于 2024-07-21 11:21:00 发布

matlab科研社

最新推荐文章于 2024-07-21 11:21:00 发布

阅读量244

点赞数 1

文章标签：算法聚类 matlab 数据挖掘机器学习

本文链接：https://blog.csdn.net/Matlab_dashi/article/details/131599626

版权

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法神经网络预测雷达通信无线传感器电力系统

信号处理图像处理路径规划元胞自动机无人机

⛄ 内容介绍

【故障诊断】基于FCM模糊聚类算法实现轴承故障诊断附Matlab代码_故障诊断

【故障诊断】基于FCM模糊聚类算法实现轴承故障诊断附Matlab代码_聚类_02

编辑

基于FCM(Fuzzy C-Means)糊聚类算法实现轴承故障诊断可以按照以下步骤进行：

数据收集：收集轴承工作时不同状态下的振动信号数据。这些数据应包括正常工作状态和各种故障状态的振动信号。
特征提取：从振动信号中提取有代性的特征参数。这些特征可以包括时域特征(差、峰峰值等)、频域特征(如频谱特征、统计特征等)以及其他与轴承故障相关的特征。
数据预处理：对提取的特征进行归一化或标准化处理，以消除不同特征之间的量纲差异，确保数据在相同的尺度范围内。
初始化聚类参数：设置初始聚类的数量和隶属度矩阵的初始值。在FCM算法中，需要指定聚类的个数以及隶属度的初始分布。
运用FCM算法：将处理过的特征数据输入到FCM算法中，迭代更新隶属度矩阵和聚类中心，直至满足停止准则(如隶属度变于某个阈值或达到最大迭代次数)。

6.隶属度矩阵，划分数据点到不同的聚类中心，将其归类为不同的轴承故障类型。

故障诊断与分析：对于新的未知样本，基于估的隶属度，可以诊断出其可能的故障类型。也可以分析各个故障类别所对应的特征模式，从而对不同故障状态进行辨识和分析。

需要注意的是，FCM算法属于一种启发式聚类算法，在实际应用中的效果还需结合实际数据和问题进行验证和调整。此外，应选择合适的聚类数量、隶属度更新规则和迭代停止准则。

⛄ 部分代码

clear all
clc
ball=load ('ball.mat');              
inner=load ('inner.mat');
outer=load ('outer.mat') ;  
outer1=load ('outer1.mat') ;
normal=load('normal.mat');
inner1=load('inner1.mat');
ball1=load ('ball1.mat');

ball_names = fieldnames(ball);       
inner_names = fieldnames(inner);
outer_names = fieldnames(outer);
outer_names1 = fieldnames(outer1);
normal_names = fieldnames(normal);
inner_names1 = fieldnames(inner1);
ball_names1 = fieldnames(ball1);

ball_data=ball.(ball_names{1});      
inner_data=inner.(inner_names{1});
outer_data=outer.(outer_names{1});
outer_data1=outer1.(outer_names1{1});
normal_data=normal.(normal_names{1});
inner_data1=inner1.(inner_names1{1});
ball_data1=ball1.(ball_names1{1}); 
numPoint=4096;
numExample=100;
n=6;
BearingFeature1=ExteactFeature(normal_data,numPoint,numExample,n);
BearingFeature4=ExteactFeature(ball_data,numPoint,numExample,n);
BearingFeature2=ExteactFeature(inner_data,numPoint,numExample,n);
BearingFeature6=ExteactFeature(outer_data,numPoint,numExample,n);
BearingFeature3=ExteactFeature(inner_data1,numPoint,numExample,n);
BearingFeature5=ExteactFeature(ball_data1,numPoint,numExample,n);
BearingFeature7=ExteactFeature(outer_data1,numPoint,numExample,n);
K=[1,4,21,6,12,9,7,15,18,3,14,17,10,11,8,20,5,13,16,19,2];
K_J=[1,4,21,6,12,3,9,15,18,7,14,17,10,11,8,5,20,2,13,16,19];
fg=K(1:7);
SelectFeature1=BearingFeature1(fg,:);
SelectFeature2=BearingFeature2(fg,:);
SelectFeature3=BearingFeature3(fg,:);
SelectFeature4=BearingFeature4(fg,:);
SelectFeature5=BearingFeature5(fg,:);
SelectFeature6=BearingFeature6(fg,:);
SelectFeature7=BearingFeature7(fg,:);
input=[SelectFeature1,SelectFeature2,SelectFeature3,SelectFeature4,SelectFeature5,SelectFeature6,SelectFeature7]';
 for i=1:700
     input(i,:)=input(i,:)/max(input(i,:));
 end
[ iter,Obj_Fcn,CAT]=fuzzycm(input,14,2,1.0e-6)
YLSF_ART_CAT=CAT;
Sample1=1:100;
YLSF_ART_CAT1=YLSF_ART_CAT(1:100);
plot(Sample1,YLSF_ART_CAT1,'xy','markersize',10)
hold on
Sample2=101:200;
YLSF_ART_CAT2=YLSF_ART_CAT(101:200);
plot(Sample2,YLSF_ART_CAT2,'pg','markersize',10)
hold on
Sample3=201:300;
YLSF_ART_CAT3=YLSF_ART_CAT(201:300);
plot(Sample3,YLSF_ART_CAT3,'ob','markersize',14)
Sample4=301:400;
YLSF_ART_CAT4=YLSF_ART_CAT(301:400);
plot(Sample4,YLSF_ART_CAT4,'vc','markersize',14)
Sample5=401:500;
YLSF_ART_CAT5=YLSF_ART_CAT(401:500);
plot(Sample5,YLSF_ART_CAT5,'Dm','markersize',14)
Sample6=501:600;
YLSF_ART_CAT6=YLSF_ART_CAT(501:600);
plot(Sample6,YLSF_ART_CAT6,'*r','markersize',14)
Sample7=601:700;
YLSF_ART_CAT7=YLSF_ART_CAT(601:700);
plot(Sample7,YLSF_ART_CAT7,'hk','markersize',14)
hold on
d=15;
k=d;
for i=1:d
plot([0,730],[i,i],':K')
hold on
end
for j=1:7
    h=100*j;
    plot([h,h],[0,k],':K')
    hold on
end
axis([0 700 0 k]);
set(gca,'fontsize',20);
set(gca,'xtick',0:100:700);
set(gca,'ytick',0:1:k);
title('FCM诊断结果','FontName','宋体','FontSize',18)
xlabel('样本','FontName','宋体','FontSize',18)
ylabel('种类','FontName','宋体','FontSize',18)
% gtext('a','FontName','Times New Roman','FontSize',24)