尽管纯粹的时域等特征有着提取速度快和物理意义明确的优点,但诊断准确性却略逊于其他方法.针对这一问题,提出了一种将词包模型和时间子序列(Based On the Time Subsequence,BOTS)相结合的轴承特征提取方法.首先,用滑动窗口在振动信号中滑动,得到多段连续的、非平稳的时间序列,并将其看作一篇篇文档.针对每一个时间序列,随机截取多个固定长度的连续子序列,求取子序列的时域或者频域特征;然后,用随机森林算法统计每一个时间序列中所有子序列的类别票数情况,基于类别票数情况构建词典;最后,将词典作为新特征,输入随机森林分类器进行训练学习,并利用西门子中国研究院无锡创新中心 SQI-MFS实验平台、东南大学以及机械故障预防技术学会提供的轴承数据进行了多种实验.实验表明,BOTS+小波包能量方法提取的特征具有更高的识别度.
Bearing Feature Extraction Method Based on the Time Subsequence
Rolling bearingFault diagnosisFeature extractionFault status identification
NETL
NSTL
万方数据
维普
