基于多维度信息融合评判方式的滚动轴承故障特征选择方法

针对多传感数据流及故障特征构建所带来的高维数据的时间复杂度高与数据冗杂问题,提出了一种基于多维度信息融合评判方式的轴承故障特征选择方法。首先,以随机森林、Spearman相关性分析作为基点,并结合门控循环单元(GRU)、差分整合移动平均自回归模型(ARIMA)对各特征做出了初步评价;其次,引入了新评价函数,融合了各部分初步评价信息,剔除了尾部特征并逐次迭代,选择了低冗余且具有较好分类效果的特征子集;最后,以美国凯斯西储大学轴承数据为例,对基于多维度信息融合评判方法与基于随机森林估计器的递归特征消除(RFE-RF)、最大相关最小冗余(mRMR)相比较,以分类准确率作为评估指标,验证了模型的效果。研究结果表明：该方法能在保持97.5%准确率的情况下,得到较少的特征子集,提升了计算效率;该模型能够为滚动轴承故障特征的选取提供借鉴。