王望望　邓林峰　赵荣珍　吴耀春

摘要： 针对滚动轴承原始数据集包含高维非敏感特征的问题，提出一种集成核主成分分析（Kernel Principal Component Analysis， KPCA）与t?分布随机邻域嵌入（t?distributed Stochastic Neighbor Embedding， t?SNE）的滚动轴承故障低维敏感特征提取方法。该方法先计算滚动轴承原始振动信号的时域、频域以及时频域特征，构建初始高维特征数据集。利用KPCA降低高维数据集的相关性，在最大化高维数据全局特征方差的目标下，提取出非线性特征子集。通过t?SNE充分挖掘故障特征数据集的局部结构信息，进一步获取具有高判别性的低维敏感特征子集。将低维特征子集输入到k?近邻分类器（k?nearest Neighbor Classifier， KNNC）进行分类，以分类准确率和聚类结果作为度量指标，对特征提取结果的优劣予以评价。上述过程综合考虑了数据集的全局和局部结构特征，充分利用了数据自身的结构信息，从而可准确提取其低维敏感特征。将该方法用于滚动轴承故障诊断实验中，通过与其他典型特征提取方法进行对比，及其对含噪情况下轴承故障特征的准确提取，验证了方法的有效性。

关键词： 故障诊断; 滚动轴承; 故障特征提取; 核主成分分析; t?分布随机邻域嵌入; k?近邻分类器

中圖分类号： TH165+.3; TH133.33    文献标志码： A    文章编号： 1004-4523（2021）02-0431-10

DOI：10.16385/j.cnki.issn.1004-4523.2021.02.024

引 言

滚动轴承故障诊断的本质是模式识别，特征提取则是模式识别的重要组成部分[1]。若要对滚动轴承故障进行精确诊断，就需要提取大量的故障特征，进而可从各个方面反映故障的固有特性[2]。但是，这会造成故障特征维数过高，同时还可能引入非敏感特征，从而影响诊断精度[3]。……