基于KECA和BO-SVDD的滚动轴承早期故障检测

来源：机床与液压杂志2023年第11期北京时间：

作者：栗子旋，高丙朋

单位：新疆大学电气工程学院；新疆大学电气工程学院

摘要：为了实现更早地检测出滚动轴承发生故障，提出一种基于核熵成分分析（KECA）和贝叶斯优化（BO）算法优化支持向量数据描述（SVDD）的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征，组成多维特征矩阵；利用KECA对多维特征矩阵进行降维处理，进而提取有效特征；最后，选取轴承正常状态的特征指标训练模型，利用BO算法确定SVDD的惩罚因子和核宽度，进而得到早期故障检测模型。利用该模型对XJTU-SY数据集中不同工况下的轴承进行早期故障检测，结果表明：KECA能够有效地提取特征信息，减少冗余信息的干扰；该模型整体上能够较早检测出故障的发生，并且有较好的鲁棒性和泛化能力。

关键词：故障检测;特征矩阵;核熵成分分析;贝叶斯优化;支持向量数据描述

基金资助：新疆维吾尔自治区自然科学基金项目(2019D01C079)