基于多维缩放和随机森林的轴承故障诊断方法

论文摘要

为快速准确识别轴承的运行状态,提出了一种基于多维缩放和随机森林的轴承故障诊断方法。该方法采用函数型数据分析,得到轴承振动信号自相关函数的拟合系数,构造故障特征集;使用网格搜索法优化随机森林参数,得到特征重要性排序;然后使用多维缩放方法对特征选择后的故障特征集进行降维;最后采用随机森林对降维后的故障特征进行诊断识别。为验证所提方法的有效性,开展了正常、内圈故障、外圈故障、滚子故障状态下的轴承振动实验,结果表明,函数型数据分析的特征提取方式能有效表征不同状态轴承振动信号的不同特征,与t分布随机邻域嵌入和主分量分析方法相比,多维缩放方法具有更高的类间距和类内距的比值,且优势明显,各类状态的诊断准确率均高达100%,较使用原始特征集的随机森林平均准确率提高了5%。

论文目录

• 1 基础理论
•   1.1 函数型数据分析
•   1.2 多维缩放
•   1.3 随机森林
• 2 轴承故障诊断方法
• 3 轴承故障诊断实验
•   3.1 实验台及实验设置
•   3.2 特征集构造
•   3.3 模型参数优化及特征重要性排序
•   3.4 维数约简
•   3.5 模型训练及结果输出
• 4 结论

文章来源

类型: 期刊论文

作者: 张西宁,张雯雯,周融通,余迪

关键词: 函数型数据分析,多维缩放,随机森林,轴承故障诊断

来源: 西安交通大学学报 2019年08期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 机械工业,自动化技术

单位: 西安交通大学机械制造系统工程国家重点实验室

基金: 国家自然科学基金资助项目(51275379),国家自然科学基金创新研究群体资助项目(51421004)

分类号: TH133.33;TP181

页码: 1-7

总页数: 7

文件大小: 425K

下载量: 550