基于多尺度特征提取与KPCA的轴承故障诊断 |
| |
引用本文: | 徐存知,熊新.基于多尺度特征提取与KPCA的轴承故障诊断[J].电子测量与仪器学报,2019,33(11):22-29. |
| |
作者姓名: | 徐存知 熊新 |
| |
作者单位: | 昆明理工大学信息工程与自动化学院 昆明650500;昆明理工大学云南省人工智能重点实验室 昆明650500 |
| |
摘 要: | 针对滚动轴承故障信号特征难以提取导致故障识别率低的问题,提出了基于多尺度特征提取与核主成分分析(KPCA)的轴承故障诊断模型。该模型首先利用固有时间尺度分解(ITD)将振动信号分解成若干个固有旋转(PR)分量,其次根据相关系数准则筛选固有旋转分量,然后求取固有旋转分量在多个尺度上的时域特征,最后利用核主成分分析将得到的多尺度特征进行融合,并用融合后的特征向量建立极限学习机(ELM)故障诊断模型,实现对滚动轴承状态的识别。与传统的单一尺度特征提取方法相比,多尺度特征提取在时域特征的基础上添加了尺度因子,具有度量时间序列在不同尺度因子下复杂性的优点。
|
关 键 词: | 多尺度特征提取 固有时间尺度分解 核主成分分析 极限学习机 |
本文献已被 CNKI 万方数据 等数据库收录! |
|