基于流形学习和最小二乘支持向量机的滚动轴承退化趋势预测
2015-03-17汤宝平
振动与冲击 2015年9期
肖 婷, 汤宝平, 秦 毅, 陈 昌
(重庆大学 机械传动国家重点实验室,重庆 400030)
基于流形学习和最小二乘支持向量机的滚动轴承退化趋势预测
肖 婷, 汤宝平, 秦 毅, 陈 昌
(重庆大学 机械传动国家重点实验室,重庆 400030)
为更好地表征滚动轴承性能退化趋势,提出基于流形学习和最小二乘支持向量机的滚动轴承退化趋势预测新方法。提取振动信号的多域特征组成高维特征集,利用局部保持投影算法(LPP)对多域高维特征集进行维数约简,消除各特征指标之间的冗余、冲突等问题。将维数约简后的特征向量作为最小二乘支持向量机的输入,建立退化趋势预测模型,完成退化趋势预测。运用实测的滚动轴承全寿命实验数据进行检验,结果表明该方法能获得准确的预测结果。
性能退化评估;信息熵;流形学习;最小二乘支持向量机
滚动轴承退化过程的准确预测,对预防设备失效具有重要意义。滚动轴承退化过程准确预测的关键是提取能准确反映滚动轴承运行状态的特征指标及建立有效的预测模型。单个时、频域特征指标[1~2]如均方根值、峭度等指标对初始损伤的敏感程度低,不能较好地确定初始损伤时间。文献[3]将三个时域指标和三个频域指标进行融合,能较好地评估轴承性能退化变化。然而,滚动轴承的故障信号是一种典型的非平稳、非线性信号[4],传统时、频域指标提取是将振动信号看作平稳信号进行处理,存在评估能力不足的问题。小波包分析是一种有效的非平稳信号分析方法,将小波包分解与信息熵结合提取小波包熵可以很好地解决时、频域指标评估能力不足的问题。……
登录APP查看全文
