科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了提高齿轮箱轴承故障识别率,提出基于核独立分量分析(KICA)、广义辨别分析(GDA)与最小二乘支持向量机(LSSVM)的轴承故障识别方法。首先将轴承故障信号的谱峭度、信息熵等故障特征作为原始特征向量,通过KICA方法将原始特征向量映射到核特征空间,去掉不同故障特征间的冗余并消除原始特征向量间的相关性。然后利用GDA方法对故障特征进行非线性融合,并将其作为LSSVM分类器的输入从而实现轴承的故障分类。齿轮箱滚动轴承故障诊断试验结果表明:KICA-GDA和LSSVM的故障诊断方法可以识别出更多的轴承故障信息,且提高了LSSVM的分类性能,该方法相对于直接采用LSSVM进行分类的轴承故障方法具有更优秀的分类性能。
- 单位
