基于SMF-WPR-KPCA算法的轴承特征提取

针对轴承振动数据的非线性和特征维数冗余问题,提出了一种将滑动中值滤波技术、小波包重构技术和核主元分析结合(SMF-WPR-KPCA)的特征提取方法。该方法首先利用滑动中值滤波技术对原始数据进行滤波,消除异常点并保持边缘特性;之后对数据标准化处理以及傅里叶变换,确定数据频谱特征显著区域;然后对数据进行小波包分解再叠加重构频谱显著区域数据,并对新数据提取新的时域特征;最后进行核主元分析,得到特征图像并定量描述特征区域。利用NASA的全寿命轴承数据进行实验仿真验证,结果表明,相比PCA模型,该方法有效地解决了数据的非线性特性,压缩了特征维数,具有更好的特征状态识别和分类性能。