轮对轴承安全域增量建模方法

安全域是一种从域的角度描述轮对轴承可安全运行区域的定性模型.然而,高速列车运行状态的样本数据通常是正常样本,故障样本的缺乏意味着只能使用正常样本进行安全域建模.支持向量数据描述是一种单分类方法,可以只利用一类样本进行建模.现有的滚动轴承安全域建模方法基本采用的是批量学习算法,而在样本数据不断增加的情况下,批量算法的效率低下.因此,本文将增量支持向量数据描述方法引入轮对轴承的故障诊断领域,提出了一种基于样本增量学习的高速列车轮对轴承安全域的建模方法 .实验结果表明,相比于传统批量学习算法,本文提出的方法在轮对轴承安全域的建模中更加高效,并且分类准确率基本不受影响.