為了有效利用故障特征集中對故障敏感的特征進行故障診斷,提出基于獨立特征選擇（IFS）與局部保持投影（LPP）的故障診斷方法。該方法主要有三個步驟,一是從通過不同的特征提取方法,以此構(gòu)建能夠表征故障的混合特征集;二是對核線性判別分析（KLDA）進行改進,得到一種為每兩類故障構(gòu)建獨立特征集的特征選擇方法,在此基礎(chǔ)上采用LPP對獨立特征集進行進一步的融合;三是支持向量機（SVM）對構(gòu)建的融合特征集進行識別,得到診斷結(jié)果。電機軸承故障診斷實例表明,所提方法具備較高的診斷準確率。 

【文章來源】：機械設(shè)計與研究. 2020,36(03)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

式(9)的關(guān)系曲線

② 為每兩類故障進行獨立特征選擇,得到Di維敏感特征集,然后利用LPP對Di進行降維,進而得到di維融合特征,其中1<=di<Di,i=1,2,…, C(C-1)/2。③ 訓(xùn)練C(C-1)/2個二類分類SVM[13-15]組成診斷模型,并將測試樣本輸入模型中,得到最終的診斷結(jié)果。

本文采用的是CWRU的電機軸承故障數(shù)據(jù),具體的實驗參數(shù)設(shè)置可以參考文獻[9]。從連續(xù)采集的各類故障數(shù)據(jù)中,分別截取正常軸承、外圈故障軸承、內(nèi)圈故障軸承和滾動體故障軸承共4類狀態(tài)的樣本100組,截取長度為1 200個采樣點,圖3為具體的時域信號波形。3.3 分析結(jié)果

【參考文獻】：
期刊論文
[1]基于優(yōu)選小波包和PSO-SVM的失火故障診斷[J]. 韓佳佳,賈繼德,梅檢民,任剛,賈翔宇.  機械設(shè)計與研究. 2019(02)
[2]基于多維度互近似熵的滾動軸承故障診斷方法研究[J]. 王宜靜,譚海燕.  機械設(shè)計與研究. 2019(01)
[3]基于VMD能量熵與支持向量機的齒輪故障診斷[J]. 張超,朱騰飛,王大勇.  機械設(shè)計與研究. 2018(02)
[4]基于改進蜂群算法優(yōu)化支持向量機的故障診斷[J]. 吳印華,徐瓊燕.  機械強度. 2018(02)
[5]等距映射和局部線性嵌入算法集成的轉(zhuǎn)子故障數(shù)據(jù)集降維方法[J]. 陳鵬飛,趙榮珍,彭斌,李坤杰.  振動與沖擊. 2017(06)
[6]基于多尺度子帶樣本熵和LPP的軸承故障診斷方法[J]. 王廣斌,杜謀軍,韓清凱,李學(xué)軍.  振動與沖擊. 2016(20)
[7]基于圖像形狀特征和LLTSA的故障診斷方法[J]. 張前圖,房立清.  振動與沖擊. 2016(09)
[8]基于LCD模糊熵和流行學(xué)習(xí)的故障特征提取方法[J]. 張良,張前圖.  機械強度. 2016(02)
[9]一種新的非平穩(wěn)信號分析方法——局部特征尺度分解法[J]. 程軍圣,鄭近德,楊宇.  振動工程學(xué)報. 2012(02)
[10]基于核schur正交局部Fisher判別的轉(zhuǎn)子故障診斷[J]. 王廣斌,劉義倫,黃良沛.  儀器儀表學(xué)報. 2010(05)



本文編號：3251530