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

发布时间：2018-07-11 18:19

  本文选题：多尺度时不可逆 + t-分布邻域嵌入　； 参考：《振动与冲击》2017年17期

【摘要】：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。
[Abstract]:In order to accurately extract the nonlinear fault characteristics of mechanical vibration signals, a new method of measuring the complexity of vibration signals called multi-scale irreversibility is proposed. At the same time, a new fault diagnosis method for rolling bearing is proposed by combining t- distributed neighborhood embedding (t-SNE) manifold learning and particle swarm optimization-support vector machine (PSO-SVM). The feature information of complex vibration signal is extracted irreversibly with multi-scale, the dimension of high-dimensional feature space is reduced by t-SNE, and the low-dimensional feature vector is input into the multi-fault pattern classifier based on PSO-SVM for recognition and diagnosis. The proposed method is applied to test data analysis and compared with the existing methods. The results show that the proposed method can not only diagnose the working state and fault types of rolling bearings effectively, but also outperform the existing methods.
【作者单位】： 安徽工业大学机械工程学院;
【基金】：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)
【分类号】：TH133.33

【相似文献】

相关期刊论文 前9条

1 宋涛;汤宝平;李锋;;基于流形学习和K-最近邻分类器的旋转机械故障诊断方法[J];振动与冲击;2013年05期

2 向丹;葛爽;;一种基于小波包样本熵和流形学习的故障特征提取模型[J];振动与冲击;2014年11期

3 栗茂林;梁霖;王孙安;庄健;;基于连续小波系数非线性流形学习的冲击特征提取方法[J];振动与冲击;2012年01期

4 张熠卓;徐光华;梁霖;张锋;李淑智;;利用增量式非线性流形学习的状态监测方法[J];西安交通大学学报;2011年01期

5 梁霖;徐光华;栗茂林;张熠卓;梁小影;;冲击故障特征提取的非线性流形学习方法[J];西安交通大学学报;2009年11期

6 栗茂林;王孙安;梁霖;;利用非线性流形学习的轴承早期故障特征提取方法[J];西安交通大学学报;2010年05期

7 王冠伟;张春霞;庄健;于德弘;;流形学习在机械故障诊断中的应用研究[J];工程数学学报;2012年04期

8 邓蕾;李锋;姚金宝;;基于流形学习和隐Markov模型的故障诊断[J];计算机集成制造系统;2010年10期

9 刘丽娟;陈果;郝腾飞;;基于流形学习与一类支持向量机的滚动轴承早期故障识别方法[J];中国机械工程;2013年05期

相关博士学位论文 前5条

1 马婧华;基于流形学习的旋转机械早期故障融合诊断方法研究[D];重庆大学;2015年

2 卢磊;机械加工过程中的早期故障微弱信号处理方法研究[D];哈尔滨工业大学;2016年

3 王广斌;基于流形学习的旋转机械故障诊断方法研究[D];中南大学;2010年

4 张绍辉;基于流形学习的机械状态识别方法研究[D];华南理工大学;2014年

5 江丽;基于流形学习的智能诊断方法研究[D];华中科技大学;2013年

相关硕士学位论文 前7条

1 胡浩松;基于流形学习的旋转机械故障识别方法研究[D];燕山大学;2015年

2 陈鹏飞;转子故障数据降维的流形学习方法研究[D];兰州理工大学;2016年

3 马丽;基于流形学习的风电机组齿轮箱故障诊断方法研究[D];兰州交通大学;2016年

4 崔锦;机械故障诊断中的流形学习方法研究[D];西安石油大学;2016年

5 肖婷;基于流形学习的滚动轴承性能退化趋势预测研究[D];重庆大学;2015年

6 万鹏;基于流形学习的主轴系统故障诊断方法研究[D];北京信息科技大学;2013年

7 陈守海;基于流形学习的滚动轴承早期故障识别方法研究[D];大连理工大学;2014年

，

本文编号：2116206