基于谱聚类分析的托辊故障诊断

• 作者: 宋天祥 张明明 彭晨 杨明锦 杨林顺
• 来源期刊: 电子测量技术
• 学科: 工学
• 关键词: 托辊故障 K-Means 音频时间序列 故障诊断 谱聚类
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 在线测试与故障诊断
• 页码范围: 144-150
• 页数: 7页
• 分类号: TH17|TN911.2
• 语种: 中文
• DOI: 10.19651/j.cnki.emt.1802215

摘要

有效地诊断托辊故障,对提高选煤工作效率和工厂智能化水平具有重要的作用.针对工业现场环境复杂,噪音类型多且杂的特点,首先提出利用差分法来消除托辊音频序列数据时间趋势影响的有效方法,在此基础上提取托辊音频序列特征,分别利用K-Means和谱聚类算法进行聚类分析以及故障识别,并从噪音音频序列数据中挖掘有用的信息.然后为了评价聚类模型的优劣,创新提出将同一音频序列分割得到子音频序列的相同聚类标签的平均比率,以此作为聚类优劣的评判标准.实验结果表明,谱聚类算法的效果优于K-Means,动态选取谱聚类的参数值能够提高局部诊断准确率,且具有较强的鲁棒性,能够实现对生产范围内多种类型噪音音频信号进行有效聚类识别.智能化托辊故障诊断系统的应用提高了选煤工作效率,减少了非计划停机次数,产生了较好的经济效益.