关键词：变分模态分解算法;模糊C均值;密度峰值聚类;旋转机械;故障诊断
摘 要：目的 针对旋转机械故障诊断过程中存在故障信号特征提取困难、故障诊断过程有标签数据较少、故障诊断准确率低等问题，提出自适应变分模态分解算法（Adaptive Variational Mode Decomposition, AVMD）与密度峰值算法优化的模糊C均值算法（Clustering by Fast Search and Find of Density Peaks Optimizing Fuzzy C-Means,DPC-FCM）结合的无监督诊断方法。方法 首先，将多尺度排列熵与峭度相结合的综合系数作为适应度函数，对VMD算法的惩罚因子alpha和模态个数K进行参数寻优，提取分解后本征模态函数（Intrinsic Mode Function,IMF）的平均样本熵与平均模糊熵，并输入至聚类算法中。其次，提出利用密度峰值聚类算法确定FCM的初始聚类中心，降低聚类结果的随机性。结果 将提出的无监督故障诊断模型应用到滚动轴承试验信号中，实现了准确的故障诊断。结论 AVMD在故障提取方面具有优越性，同时DPC算法可以有效提高FCM算法无监督聚类的准确性，二者结合可以有效实现旋转机械故障的智能分类。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取