基于T_SNE和AW-SVR的滚动轴承退化状态预测

简介

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。