基于子空间学习刮板输送机减速器轴承变工况故障诊断

Fault diagnosis of reducer bearing for scraper conveyor with different working conditions based on Subspace Learning

针对刮板输送机减速器轴承工况多变导致传统机器学习方法在解决变化工况问题中存在局限性,提出了一种基于子空间学习(Subspace Learning,简称SL)的刮板输送机减速器轴承变化工况故障诊断方法。该方法首先对原始信号进行基于快速傅里叶变换,从而获得信号的频谱能量,然后利用主成分分析法将原始信号频谱能量映射到高维空间,并获得训练数据和测试数据核能量子空间,然后将训练数据核能量子空间向测试数据核能量子空间对齐,并将训练数据向对齐的核能量子空间投影,最终利用支持向量机(Support Vector Machine,简称SVM)分类器训练对齐于测试数据空间的训练数据,并用于分类滚动轴承的故障类型。试验结果表明了该方法的有效性。