基于正则化核最大边界投影维数约简的滚动轴承故障诊断

摘要：

针对旋转机械故障诊断中故障样本获取困难的现状,提出一种基于正则化核最大边界投影(Regularized Kernel Maximum Margin Projection, RKMMP)维数约简的滚动轴承故障诊断方法.该方法首先利用RKMMP对小样本、少标记信息的混合故障样本集进行训练降维,然后将降维后的低维敏感特征子集输入到核极限学习机( Kernel Extreme Learning Machine, KLEM)分类器中进行故障识别.上述方法的特点是所提出的RKMMP能充分利用少量标记样本信息与大量无标记样本的故障信息,避免过学习的缺陷,同时通过添加正则化项克服小样本问题.滚动轴承故障模拟实验表明:该方法结合了RKMMP在维数约简和KLEM在模式识别上的优势,在一定程度上能提升故障诊断的泛化能力与识别精度.该研究可为解决好故障诊断中样本获取困难的问题,提供理论参考依据.

关键词：故障诊断、正则化核最大边界投影、核极限学习机分类器、维数约简

所属期刊栏目：36

分类号：TP18;TH165(自动化基础理论)

资助基金：国家自然科学基金51675253;高等学校博士学科点专项科研基金20136201110004

在线出版日期：2017-08-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：104-110