首页|基于TSNE和AW-SVR的滚动轴承退化状态预测

基于TSNE和AW-SVR的滚动轴承退化状态预测

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
针对滚动轴承存在故障提取信息冗余、非平稳突变故障预测效果不佳的问题,提出了一种基于t分布随机近邻嵌入算法(T SNE)和自适应加权支持向量回归(AW-SVR)相结合的滚动轴承退化状态预测方法.该方法首先提取了滚动轴承的时域和频域指标,组成原始特征向量;然后通过T_SNE算法进行特征降维,获得二维退化特征集,并利用相对均方根值(RRMS)划分滚动轴承的退化阶段,以此来描述轴承的退化状态;最后将权函数引入支持向量回归机(SVR)中,并通过自适应地改变突变点的权重增强SVR的学习能力,以提高对突变故障的预测精度.通过实验数据对比分析,结果表明T_SNE和AW-SVR相结合比ISOMAP+SVR、LLE+SVR和T_SNE+SVR方法在轴承退化状态预测方面具有更好的效果.
Degradation State Prediction of Rolling Bearing Based on T_SNE and AW-SVR

吕明珠

展开 >

辽宁装备制造职业技术学院自控学院,辽宁沈阳 110161

辽宁广播电视大学,辽宁沈阳 110034

t分布随机近邻嵌入算法 自适应加权支持向量回归 滚动轴承 退化状态预测

高校应用性研究专项

2019YYYJ-1

2022

机械设计与制造
辽宁省机械研究院

机械设计与制造

CSTPCD北大核心
影响因子：0.511
ISSN：1001-3997
年,卷(期)：2022.374(4)
  • 3