基于小波包和聚类算法的滚动轴承故障检测研究

针对Kmeans算法在滚轴故障检测中k值需要人工设定以及初始聚类中心的随机选取问题，提出I-Canopy-Kmeans算法的故障检测方法对其进行优化。该算法在初始聚类中心的随机选取方面，使用“最远最近”的原则，即在获取n个Canopy时，任意两个Canopy中心点之间的距离应该尽可能远，且第n个Canopy中心点应该是其他数据点与前面n-1个中心点最远距离中最小的一个；在阈值选取方面，使用欧氏距离求出所有数据点的均值点，再计算均值点到所有数据点的距离，并用L₁和L₂分别表示最远距离和最近距离，然后将(L₁+L₂)/2赋值给阈值T₁、(L₁+L₂)/3赋值给阈值T₂。实验结果表明，与传统Kmeans算法相比，I-Canopy-Kmeans算法的各项评价指标均有提高，其中I_AR提高最多，达到了40.01%。