林龙 王贤浪

摘要：针对KFCM算法对初始聚类中心敏感导致聚类效果不好等问题，提出一种基于杂草算法（IWO）优化的模糊核聚类算法（IWO-KFCM），将其运用于轴承时频谱图的状态识别。通过小波变换获取轴承运行状态的时频图像，利用灰度梯度共生矩阵提取图像的纹理特征，提出基于可分性测度构造IWO算法的适应度函数;将IWO算法优化获取的初始聚类中心输入KFCM，实现时频谱图的聚类识别。最后进行多类轴承状态数据的测试，验证所提算法的有效性和优越性。

Abstract： KFCM algorithm is sensitive to the initial cluster center and leads tolow cluster accuracy. In this paper ， a fuzzy kernel cluster algorithm based on invasive weed optimization （IWO-KFCM） is proposed to identifytime-frequency images. Firstly， time-frequency images of the bearing states are obtained through wavelet transform， and GLCM is used to extract the texture features of images.Low dimensional features of high contribution rates can be selected via PCA. This algorithmdefines separability criterion as an evaluation of fitness function， and IWOseeks the optimal solution as the initial cluster centers of KFCM .Finally， the IWO-KFCMis used to clusterdata，andexperiment results of the mutli-class bearing datasets demonstrate the effectiveness and superiority of the proposed algorithm.

關键词：时频图像;灰度梯度共生矩阵;杂草算法;可分性测度;半监督KFCM;轴承故障

Key words： time-frequency image;GLCM;invasive weed optimization;separability criterion;semi-supervised KFCM;bearing fault

中图分类号： TN911;TH113                           文献标识码：A                                文章编号：1674-957X（2021）02-0117-04

0  引言

随着模式识别技术的发展，将机械设备的振动信号转化为时频谱图进行智能识别的研究不断深入。时频谱图的本质是图像，既具备构成图像本身的数字信息，也有颜色、像素、纹理、灰度和形状等图形信息，这些信息暗含了设备的运行状态及差异。对状态图像进行识别首先需要有效地提取图像特征，近年来，有关时频谱图特征提取的研究层出不穷，如二维线性判别分析、二维主成分分析、二维非负矩阵分解等图像压缩算法[1]，如提取不变矩特征、纹理特征等特征提取方法，这些方法有效缓解了因图像维数巨大导致诊断困难的难题。

聚类分析是一种针对样本相似性进行类别划分的数值方法，目前已广泛应用于数据挖掘、图像处理、故障诊断等领域[2-4]。常用的聚类分析算法有：C均值聚类、模糊C均值聚类（Fuzzy C-Means，FCM）、模糊核聚类（Kernel Fuzzy C-means，KFCM）等。……