【摘要】：為了精準(zhǔn)穩(wěn)定地提取滾動(dòng)軸承故障特征,提出一種基于局部與全局結(jié)構(gòu)保持算法的低維敏感特征提取方法,采用K近鄰(K-nearest neighbor algorithm,KNN)分類(lèi)算法進(jìn)行故障識(shí)別。對(duì)滾動(dòng)軸承振動(dòng)信號(hào)的時(shí)域和頻域特征進(jìn)行特征提取,組成初始特征集,采用該方法對(duì)初始特征集進(jìn)行特征提取,提取過(guò)程中綜合考慮初始特征集的局部結(jié)構(gòu)特征和全局結(jié)構(gòu)特征以避免其結(jié)構(gòu)信息的丟失,同時(shí)引入正交約束減小主特征分量間的信息冗余,提取出最優(yōu)表征初始特征集特征的敏感特征矢量,并通過(guò)K近鄰分類(lèi)算法對(duì)其進(jìn)行分類(lèi)。將該方法應(yīng)用于滾動(dòng)軸承故障診斷,通過(guò)與其他幾種典型特征提取方法對(duì)比,該方法能更有效地提取滾動(dòng)軸承四種狀態(tài)的敏感特征矢量,在故障診斷中表現(xiàn)出更好的分類(lèi)性能,整體故障識(shí)別率保持為100%。因此,該方法能有效提取敏感故障特征,為實(shí)際滾動(dòng)軸承智能故障診斷提供參考。
[Abstract]:In order to extract the fault feature of rolling bearing accurately and stably, a low-dimensional sensitive feature extraction method based on local and global structure preserving algorithm is proposed, and K-nearest neighbor (K-nearest neighbor algorithm,KNN) classification algorithm is used for fault identification. The feature extraction of rolling bearing vibration signal in time domain and frequency domain is carried out, and the initial feature set is formed. The method is used to extract the initial feature set. In order to avoid the loss of structural information, the local and global structural features of the initial feature set are considered synthetically in the extraction process, and orthogonal constraints are introduced to reduce the information redundancy among the principal feature components. The sensitive feature vectors which best characterize the initial feature set are extracted and classified by K-nearest neighbor classification algorithm. This method is applied to the fault diagnosis of rolling bearings. Compared with other typical feature extraction methods, the method can extract the sensitive feature vectors of the four states of rolling bearings more effectively, and show better classification performance in fault diagnosis. The overall fault recognition rate is maintained at 100. Therefore, this method can effectively extract sensitive fault features and provide a reference for intelligent fault diagnosis of rolling bearings.
【作者單位】： 新疆大學(xué)電氣工程學(xué)院;清華大學(xué)自動(dòng)化系;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(51575469)
【分類(lèi)號(hào)】：TH133.33

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 趙洪山;李浪;王穎;;一種基于盲源分離和流形學(xué)習(xí)的風(fēng)電機(jī)組軸承故障特征提取方法[J];太陽(yáng)能學(xué)報(bào);2016年02期

2 張曉濤;唐力偉;王平;鄧士杰;;基于多尺度正交PCA-LPP流形學(xué)習(xí)算法的故障特征增強(qiáng)方法[J];振動(dòng)與沖擊;2015年13期

3 張紹輝;李巍華;;基于特征空間降噪的局部保持投影算法及其在軸承故障分類(lèi)中的應(yīng)用[J];機(jī)械工程學(xué)報(bào);2014年03期

4 歐璐;于德介;;基于監(jiān)督拉普拉斯分值和主元分析的滾動(dòng)軸承故障診斷[J];機(jī)械工程學(xué)報(bào);2014年05期

5 謝小欣;胡建中;許飛云;賈民平;;一種基于多流形局部線(xiàn)性嵌入算法的故障診斷方法[J];機(jī)械工程學(xué)報(bào);2013年11期

6 楊慶;陳桂明;童興民;何慶飛;;增量式局部切空間排列算法在滾動(dòng)軸承故障診斷中的應(yīng)用[J];機(jī)械工程學(xué)報(bào);2012年05期

7 李晗;蕭德云;;基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法綜述[J];控制與決策;2011年01期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王廣斌;杜謀軍;韓清凱;李學(xué)軍;;基于多尺度子帶樣本熵和LPP的軸承故障診斷方法[J];振動(dòng)與沖擊;2016年20期

2 楊洪富;賈曉亮;任壽偉;;基于數(shù)據(jù)驅(qū)動(dòng)的航空發(fā)動(dòng)機(jī)故障診斷與預(yù)測(cè)方法綜述[J];航空精密制造技術(shù);2016年05期

3 朱紅林;王帆;侍洪波;譚帥;;基于LPP-GNMF算法的化工過(guò)程故障監(jiān)測(cè)方法[J];化工學(xué)報(bào);2016年12期

4 化永朝;李清東;任章;劉成瑞;;連續(xù)系統(tǒng)故障可診斷性評(píng)價(jià)方法綜述[J];控制與決策;2016年12期

5 宋新建;鐘純;李楠;楊煜普;;基于集成核可預(yù)測(cè)元分析的非線(xiàn)性故障檢測(cè)[J];化工自動(dòng)化及儀表;2016年09期

6 張琳;翁正新;;卷取張力控制過(guò)程的故障診斷[J];有色金屬材料與工程;2016年04期

7 房漢鳴;稅愛(ài)社;卿宇搏;宗福興;;基于PCA-SVM的儲(chǔ)運(yùn)過(guò)程故障診斷方法[J];后勤工程學(xué)院學(xué)報(bào);2016年04期

8 李文峰;戴豪民;許愛(ài)強(qiáng);;時(shí)域新指標(biāo)和PNN在滾動(dòng)軸承故障診斷中的應(yīng)用[J];機(jī)械科學(xué)與技術(shù);2016年09期

9 李偉;王慶鋒;;高能耗過(guò)程裝備健康能效監(jiān)測(cè)系統(tǒng)研究與應(yīng)用[J];化肥設(shè)計(jì);2016年03期

10 文成林;呂菲亞;包哲靜;劉妹琴;;基于數(shù)據(jù)驅(qū)動(dòng)的微小故障診斷方法綜述[J];自動(dòng)化學(xué)報(bào);2016年09期

【二級(jí)參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 袁f，

本文編號(hào)：2216774