针对滚动轴承振动信号具有较强的非线性,且包含较多冗余和无关特征,导致提取本质特征和故障识别困难,提出一种基于联合局部线性嵌入和稀疏自表示(joint locally linear embedding and sparse self-rep-resentation,JLLESSR)与参数优化...针对滚动轴承振动信号具有较强的非线性,且包含较多冗余和无关特征,导致提取本质特征和故障识别困难,提出一种基于联合局部线性嵌入和稀疏自表示(joint locally linear embedding and sparse self-rep-resentation,JLLESSR)与参数优化支持向量机的滚动轴承故障诊断方法.该方法构造了一个统一的特征提取框架,依靠局部线性嵌入(locally linear embedding,LLE)挖掘高维数据的局部几何结构,同时通过稀疏自表示(self-representation)在低维空间挖掘高维数据的全局几何结构,得到表征滚动轴承运行状态的嵌入特征.然后,将得到的特征输入至交叉优化支持向量机(cross-validation support vector machine,CV-SVM)中进行故障识别.最后,在常见滚动轴承故障数据集上对所提出的方法进行测试,实验结果表明提出的方法能有效识别出滚动轴承不同类型的故障,并且故障诊断精度可达98.5%.展开更多
文摘针对滚动轴承振动信号具有较强的非线性,且包含较多冗余和无关特征,导致提取本质特征和故障识别困难,提出一种基于联合局部线性嵌入和稀疏自表示(joint locally linear embedding and sparse self-rep-resentation,JLLESSR)与参数优化支持向量机的滚动轴承故障诊断方法.该方法构造了一个统一的特征提取框架,依靠局部线性嵌入(locally linear embedding,LLE)挖掘高维数据的局部几何结构,同时通过稀疏自表示(self-representation)在低维空间挖掘高维数据的全局几何结构,得到表征滚动轴承运行状态的嵌入特征.然后,将得到的特征输入至交叉优化支持向量机(cross-validation support vector machine,CV-SVM)中进行故障识别.最后,在常见滚动轴承故障数据集上对所提出的方法进行测试,实验结果表明提出的方法能有效识别出滚动轴承不同类型的故障,并且故障诊断精度可达98.5%.
基金Project supported by the National Basic Research Program (973) of China (No. 2015CB352302) and the National Natural Science Foundation of China (Nos. U1509206 and 61472353)