论文部分内容阅读
针对现有滚轴故障预测方法预测精度差、效率低的不足,提出一种基于Aco-k means算法的滚轴故障预测方法。在Spark平台环境下,利用小波包变换提取滚轴故障信号的时频域特征,并对滚动轴承故障特征进行聚类分析;引入Aco仿生算法确定故障特征数据聚类中心及故障样本数据间的欧氏距离,在全局范围内寻优并确定滚轴故障的类别与严重程度。仿真结果证明,该方法在滚轴故障预测精度方面具有明显优势,其故障特征提取效率也高于传统算法。