科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了实现更早地检测出滚动轴承发生故障，提出一种基于核熵成分分析(KECA)和贝叶斯优化(BO)算法优化支持向量数据描述(SVDD)的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征，组成多维特征矩阵；利用KECA对多维特征矩阵进行降维处理，进而提取有效特征；最后，选取轴承正常状态的特征指标训练模型，利用BO算法确定SVDD的惩罚因子和核宽度，进而得到早期故障检测模型。利用该模型对XJTU-SY数据集中不同工况下的轴承进行早期故障检测，结果表明：KECA能够有效地提取特征信息，减少冗余信息的干扰；该模型整体上能够较早检测出故障的发生，并且有较好的鲁棒性和泛化能力。
- 单位
