集成KPCA与t-SNE的滚动轴承故障特征提取方法

作者：王望望; 邓林峰^*; 赵荣珍; 吴耀春

来源：振动工程学报, 2021, 34(02): 431-440.

DOI：10.16385/j.cnki.issn.1004-4523.2021.02.024

• 故障诊断
• 滚动轴承
• 故障特征提取
• 核主成分分析
• t-分布随机邻域嵌入
• k-近邻分类器

针对滚动轴承原始数据集包含高维非敏感特征的问题,提出一种集成核主成分分析(Kernel Principal Compo-nent Analysis,KPCA)与t-分布随机邻域嵌入(t-distributed Stochastic Neighbor Embedding,t-SNE)的滚动轴承故障低维敏感特征提取方法。该方法先计算滚动轴承原始振动信号的时域、频域以及时频域特征,构建初始高维特征数据集。利用KPCA降低高维数据集的相关性,在最大化高维数据全局特征方差的目标下,提取出非线性特征子集。通过t-SNE充分挖掘故障特征数据集的局部结构信息,进一步获取具有高判别性的低维敏感特征子集。将低维特征子集输入到k-近邻分类器(k-nearest Neighbor Classifier,KNNC)进行分类,以分类准确率和聚类结果作为度量指标,对特征提取结果的优劣予以评价。上述过程综合考虑了数据集的全局和局部结构特征,充分利用了数据自身的结构信息,从而可准确提取其低维敏感特征。将该方法用于滚动轴承故障诊断实验中,通过与其他典型特征提取方法进行对比,及其对含噪情况下轴承故障特征的准确提取,验证了方法的有效性。

• 单位
  兰州理工大学; 机电工程学院