科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对滚动轴承现有故障预测模型精度和准确率较低的问题，提出一种基于ARIMA时间序列预测和XGBoost分类算法的滚动轴承故障预测模型。首先，采用LMD联合FPA解决盲源欠定的问题；其次，使用KPCA选取敏感特征作为预测模型的输入，以提高轴承故障的分类精度；第三，通过Arima自回归模型预测轴承振动信号未来短期内变化情况，将预测结果输入XGBoost模型进行故障分类预测，实现滚动轴承故障识别，提高预测准确率；最后，通过美国凯斯西储大学使用的轴承数据集，进行实例验证，实验结果表明，该方法可以更准确地预测出轴承短期内振动信号变化并诊断出可能发生的故障，证明了该方法在滚动轴承信号含噪情况下，有效提取特征、识别故障和故障预警中具有可行性与可靠性。
-
单位沈阳大学
