集成KPCA与t-SNE的滚动轴承故障特征提取方法

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

IR > 机电工程学院

	集成KPCA与t-SNE的滚动轴承故障特征提取方法
	王望望; 邓林峰; 赵荣珍; 吴耀春
	2021-04-15
发表期刊	振动工程学报
ISSN	1004-4523
卷号	34 期号:02 页码:431-440
摘要	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。
关键词	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
DOI	10.16385/j.cnki.issn.1004-4523.2021.02.024
URL	查看原文
收录类别	CSCD ; 北大核心 ; SCOPUS ; EI
语种	中文
资助项目	国家自然科学基金资助项目（51675253）;中国博士后科学基金资助项目（2016M592857）;甘肃省自然科学基金资助项目（1610RJZA004）;兰州理工大学红柳一流学科建设项目
中图分类号	TH133.33
引用统计	无
文献类型	期刊论文
条目标识符	https://ir.lut.edu.cn/handle/2XXMBERH/148155
专题	机电工程学院
作者单位	兰州理工大学机电工程学院
第一作者单位	机电工程学院
第一作者的第一单位	机电工程学院
推荐引用方式 GB/T 7714	王望望,邓林峰,赵荣珍,等. 集成KPCA与t-SNE的滚动轴承故障特征提取方法[J]. 振动工程学报,2021,34(02):431-440.
APA	王望望,邓林峰,赵荣珍,&吴耀春.(2021).集成KPCA与t-SNE的滚动轴承故障特征提取方法.振动工程学报,34(02),431-440.
MLA	王望望,et al."集成KPCA与t-SNE的滚动轴承故障特征提取方法".振动工程学报 34.02(2021):431-440.

条目包含的文件		下载所有文件
文件名称/大小	文献类型	版本类型	开放类型	使用许可
集成KPCA与t-SNE的滚动轴承故障特（3264KB）	期刊论文	出版稿	开放获取	CC BY-NC-SA	浏览下载