10.13465/j.cnki.jvs.2017.17.010
基于多尺度时不可逆与t-SNE流形学习的滚动轴承故障诊断
为了精确地提取机械振动信号的非线性故障特征,提出了一种新的振动信号复杂性测量方法——多尺度时不可逆.同时结合t-分布邻域嵌入(t-SNE)流形学习和粒子群优化-支持向量机(PSO-SVM),提出了一种新的滚动轴承故障诊断方法.采用多尺度时不可逆提取复杂振动信号的特征信息;利用t-SNE对高维特征空间进行降维;将低维特征向量输入到基于PSO-SVM多故障模式分类器中进行识别与诊断.将提出的方法应用于试验数据分析,并与现有方法进行了对比,分析结果表明,该方法不仅能够有效地诊断滚动轴承的工作状态和故障类型,而且优于现有方法.
多尺度时不可逆、t-分布邻域嵌入、支持向量机、滚动轴承、故障诊断
36
TN911.7;TH165.3
国家自然科学基金51505002,51305046;安徽省高校自然科学研究重点资助项目KJ2015A080;安工大研究生创新研究基金2016062
2017-12-01(万方平台首次上网日期,不代表论文的发表时间)
共9页
61-68,84