資源描述：
《基于流形學(xué)習(xí)和最小二乘支持向量機(jī)的滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。
1、基于流形學(xué)習(xí)和最小二乘支持向量機(jī)的滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)振第34卷第9期動(dòng)與沖擊Vol．34No．92015JOURNALOFVIBRATIONANDSHOCK肖婷，湯寶平，秦毅，陳昌(重慶大學(xué)機(jī)械傳動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，重慶400030)摘要:為更好地表征滾動(dòng)軸承性能退化趨勢(shì)，提出基于流形學(xué)習(xí)和最小二乘支持向量機(jī)的滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)新方法。提取振動(dòng)信號(hào)的多域特征組成高維特征集，利用局部保持投影算法(LPP)對(duì)多域高維特征集進(jìn)行維數(shù)約簡(jiǎn)，消除各特征指標(biāo)之間的冗余、沖突等問(wèn)題。將維數(shù)約簡(jiǎn)后的特征向
2、量作為最小二乘支持向量機(jī)的輸入，建立退化趨勢(shì)預(yù)測(cè)模型，完成退化趨勢(shì)預(yù)測(cè)。運(yùn)用實(shí)測(cè)的滾動(dòng)軸承全壽命實(shí)驗(yàn)數(shù)據(jù)進(jìn)行檢驗(yàn)，結(jié)果表明該方法能獲得準(zhǔn)—————————————————————————————————————————————————————確的預(yù)測(cè)結(jié)果。關(guān)鍵詞:性能退化評(píng)估;信息熵;流形學(xué)習(xí);最小二乘支持向量機(jī)中圖分類(lèi)號(hào):TP393．1;TH17文獻(xiàn)標(biāo)志碼:ADOI:10．13465/j．cnki．jvs．2015．09．027Degradationtrendpredictionofrollingbearingbasedonmanifoldlearningandleastsquaress
3、upportvectormachineXIAOTing，TANGBao-ping，QINYi，CHENChang(TheStateKeyLaboratoryofMechanicalTransmission，ChongqingUniversity，Chongqing400030，China)Abstract:Anewpredictionmethodwasproposedbasedonmanifoldlearningandleastsquaressupportvectormachinetodescribetherollingbearingdegradationtrend．Time-domain
4、featuresandfeaturesbasedoninformationentropywereextractedtoconstructhigh-dimensionalcharacteristicsets．Thelocalitypreservingprojectionalgorithmwasusedfordimensionalityreductioninordertoeliminatetheproblemofredundancybetweeneachindicators．Thecharacteristicfeatureswereinputtotheleastsquaressupportve
5、ctormachinetotrainandconstructamodel，soastoaccomplishthetrendprediction．Therollingbearingrun-to-failuretes—————————————————————————————————————————————————————tswerecarriedouttoinspectthepredictionmodel，andtheresultsdemonstratetheeffectivenessandaccuratenessoftheproposedmethod．Keywords:degradation
6、assessment;informationentropy;manifoldlearning;leastsquaressupportvectormachine(LS-SVM)滾動(dòng)軸承退化過(guò)程的準(zhǔn)確預(yù)測(cè)，對(duì)預(yù)防設(shè)備失效具有重要意義。滾動(dòng)軸承退化過(guò)程準(zhǔn)確預(yù)測(cè)的關(guān)鍵是提取能準(zhǔn)確反映滾動(dòng)軸承運(yùn)行狀態(tài)的特征指標(biāo)及建立有效的預(yù)測(cè)模型。單個(gè)時(shí)、頻域特征指標(biāo)［1～2］包分解與信息熵結(jié)合提取小波包熵可以很好地解決時(shí)、頻域指標(biāo)評(píng)估能力不足的問(wèn)題。因此，選擇時(shí)、頻域指標(biāo)及基于信息熵［5～6］的特征指標(biāo)組成多域特征如均方集，既能避免單純依靠時(shí)、頻域指標(biāo)性能評(píng)估能力不足的問(wèn)題，又能有效地反映滾動(dòng)軸承性能退化趨勢(shì)，提
7、高預(yù)測(cè)精度。但多域特征中部分特征之間存在冗余、相互沖突的問(wèn)題［7］根值、峭度等指標(biāo)對(duì)初始損傷的敏感程度低，不能較好3—————————————————————————————————————————————————————］地確定初始損傷時(shí)間。文獻(xiàn)［將三個(gè)時(shí)域指標(biāo)和三個(gè)頻域指標(biāo)進(jìn)行融合，能較好地評(píng)估軸承性能退化變化。然而，滾動(dòng)軸承的故障信號(hào)是一種典型的非平穩(wěn)、非線性信號(hào)［4］，流形學(xué)算法LPP可在盡量保持?jǐn)?shù)據(jù)間幾何關(guān)系和
