Adaboost_SVM集成模型的滚动轴承早期故障诊断

针对滚动轴承早期故障诊断中故障特征微弱难以有效检测的问题,提出一种基于Adaboost提升支持向量机(Support vector machines,SVM)集成学习模型的滚动轴承早期故障诊断方法。首先以Cincinnati大学实测的滚动轴承全寿命振动数据为基础,采用特征参数跟踪法,建立特征参数的趋势分析,并据此选择用于滚动轴承早期故障诊断的敏感特征参量,然后通过构造Adaboost提升SVM集成学习模型,并将其应用于滚动轴承的早期故障检测中。Ada Boost能够自适应地提升单一SVM的分类性能,相对于传统的单一SVM分类器Adaboost_SVM稳定性最好,早期故障诊断准确率最高。实验结果表明,结合优选的敏感特征参量,Adaboost_SVM能有效地诊断滚动轴承的早期故障模式。