基于KICA-GDA和LSSVM的齿轮箱轴承故障诊断

• 作者: 李舜酩 杨伟新 王平
• 来源期刊: 噪声与振动控制
• 学科: 工学
• 关键词: 振动与波 滚动轴承 齿轮箱 故障诊断 KICA GDA LSSVM
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 信号处理与故障诊断
• 页码范围: 192-196
• 页数: 5页
• 分类号: TP206+.3|TH133.4
• 字数: 3161字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-1355.2019.01.036

摘要

为了提高齿轮箱轴承故障识别率,提出基于核独立分量分析(KICA)、广义辨别分析(GDA)与最小二乘支持向量机(LSSVM)的轴承故障识别方法.首先将轴承故障信号的谱峭度、信息熵等故障特征作为原始特征向量,通过KICA方法将原始特征向量映射到核特征空间,去掉不同故障特征间的冗余并消除原始特征向量间的相关性.然后利用GDA方法对故障特征进行非线性融合,并将其作为LSSVM分类器的输入从而实现轴承的故障分类.齿轮箱滚动轴承故障诊断试验结果表明:KICA-GDA 和LSSVM 的故障诊断方法可以识别出更多的轴承故障信息,且提高了LSSVM的分类性能,该方法相对于直接采用LSSVM进行分类的轴承故障方法具有更优秀的分类性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李舜酩		204	2555	26.0	45.0
2	王平		56	240	8.0	14.0
6	杨伟新		2	1	1.0	1.0