基于核切片逆回归的轴承故障特征提取.pdf

《基于核切片逆回归的轴承故障特征提取.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、量二2轴承2014年4期Bearing2014，No．450—53CN41—1148／TH基于核切片逆回归的轴承故障特征提取周志才，刘东风，石新发(海军工程大学青岛油液检测分析中心，山东青岛266012)摘要：针对高维小样本数据在构造分类模型时容易产生过拟合现象及特征物理量间的非线性关系，采用核切片逆回归(KSIR)特征提取方法，首先采用核函数将样本数据从低维不可分空间映射到高维可分空间，然后结合类别先验信息进行切片分组，将映射样本向有效降维方向投影实现数据的综合降维。将KSIR与核主成分分析(KPCA)同时应用于轴承故障模式分类，结果表明：KSIR在选取合适参数后不仅适应

2、数据间的非线性关系，而且能以更少、解释能力更强的特征向量取得更高的分类精度，较KPCA有更强的类间区分和特征提取能力。关键词：滚动轴承；故障模式；核切片逆回归；特征提取中图分类号：TH133．33；TP181文献标志码：B文章编号：1000—3762(2014)04—0050—04FaultFeatureExtractionofBearingsBasedonKernelSlicedInverseRegressionZhouZhicai，LjuDongfeng，ShiXinfa(QingdaoOilDetectionandAnalysisCenter，NavalUnivers

3、ityofEn~neering，Qingdno266012，China)Abstract：Thekernelslicedinverseregression，asamethodforfeatureextraction，isintroducedtosolvetheproblemssuchassmallsampledatainhigh—dimensionforbuildingclassificationmodelpronetoover—fittingandnonlinearrela—tionshipbetweenthephysicalcharacteristics．Firstly

4、，thesampledatafromlow—dimensionalinseparablespaceismappedintohigh—dimensionalseparablespacewithkernelfunction．Thenthegroupeddatawithprioriinformationisprojectedtotheeffectivedimension—reductiondirectiontoreducethedatasyntheticdimension．KSIRandKPCAarebothappliedtobearingfaultpatternclassifi

5、cation，theresultsshowthatwhenKSIRchosesuitableparameters，itnotonlysuitsthenonlinearrelationshipbetweendatabutalsousesfewerandmoreexplicatedcharacteristicsofvariablestoacquirehigherclassificationaccuracyandshowsbetterinterclassclassificationandfeatureextractionperformancethanKPCA．Keywords：r

6、ollingbearing；faultmode；kernelslicedinverseregression；featureextraction在工程实际中获得的机器信号往往含有噪易产生过拟合现象。因此，故障特征信息的选取声，且故障发生时机器不可能长时间运行，所得到成为机械故障诊断的关键。的故障样本数量有限。为了更准确地识别机器的目前常采用主成分分析(PrincipalComponent状态和故障，需通过多种物理量的特征信息进行Analysis，PCA)对高维故障数据进行压缩，提取能判别，而利用高维小样本数据构造分类模型时容较好反映故障信息的特征。PCA提取的只是原始特征中的

7、线性成分，而在监测和诊断中反映机器收稿日期：2013—07—23；修回日期：2013—11—04状态的大量信息蕴含在数据的非线性成分中。文基金项目：国防装备研究基金项目(zJ201181)献[1—2]引入核函数概念，将低维不可分的非线作者简介：周志才(1987一)，男，山东临沂人，博士研究生，性特征映射到高维可分空间，由此产生核主成分分研究方向为舰船动力装置状态监测、故障诊断与维修技析(KernelPrincipalComponentAnalysis，KPCA)的术，E—mail：zhouzhicai—hg@163