摘要:在拉普拉斯分值(Laplaianscore,LS)方法的基础上,提出一种监督拉普拉斯分值(Supervisedlaplaianscore,SLS)特征选择方法。该方法同时考虑数据的标号信息和局部几何结构,避免LS方法中要设定近邻图参数的问题。将SLS和主元分析(Principalcomponentanalysis,PCA)相结合,提出基于SLS和PCA的滚动轴承故障诊断方法。该方法在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征矢量;利用SLS进行特征选择,形成故障特征矢量;再对特征矩阵进行PCA降维处理,并用K近邻(K-nearestneighboralgorithm,KNN)分类算法实现滚动轴承不同故障类型的识别。应用实例表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障,且故障分辨率优于基于LS和PCA的故障诊断方法。
关键词:特征选择 监督拉普拉斯分值 主元分析 故障诊断
单位:湖南大学汽车车身先进设计制造国家重点实验室 长沙410082
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社