基于拉普拉斯特征映射的滚动轴承故障识别

摘要：

用传统的线性方法对非平稳和非线性运行状态的滚动轴承进行故障诊断时，效果欠佳。为了及时、准确地监测轴承的运行状态，提出了将拉普拉斯特征映射算法（Laplacian Eigenmap LE）应用到滚动轴承的故障识别中。在振动信号构建的时域和频域高维特征空间矩阵中，充分利用 LE 算法在非线性特征提取和降维的优点，进行学习，提取表征轴承状态的特征量，并以可视化的聚类结果进行表示。实验模拟了轴承的4种不同类型故障以及滚动体的4种不同受损程度，采用模式识别中聚类性的类内距和类间距两个参数作为衡量指标。与 PCA 和 KPCA 两种方法对比，LE 不仅明显识别出四种故障类型和有效的区分出滚动体的不同受损程度，而且识别率大大提高。并通过测试样本组验证了 LE 方法的有效性。

关键词：滚动轴承故障、流形学习、模式识别、拉普拉斯特征映射、特征空间的构建、特征提取、测试样本验证

分类号：TH133.3

资助基金：国家自然科学基金资助项目50775157；山西省高等学校留学回国人员科研资助项目2011－12；山西省基础研究项目2012011012－1

在线出版日期：2015-03-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：128-134,144