基于双维度EKNN的滚动轴承早期故障分类算法

来源：计算机集成制造系统杂志2021年第1期北京时间：

作者：彭成, 贺婧, 唐朝晖, 陈青, 桂卫华

单位：1.湖南工业大学计算机学院2.中南大学自动化学院

摘要：为提高对滚动轴承早期故障识别的精确度,提出一种基于混合特征提取的故障分类模型。该模型利用类内紧致性和类间重叠性识别出次优特征组,作为增强K近邻分类器(EKNN)的输入,并以距离和密度双维度计算,得到最大平均分类精确度,进而输出最优早期故障特征组,对未知数据进行分类来检测故障。实验采集滚动轴承在低速运行下的早期故障声发射(AE)信号,对所提算法以及现有5种算法进行对比分析,验证了其对滚动轴承早期故障诊断具有更好的表现。

关键词：声发射信号,增强K近邻分类器,滚动轴承,早期故障分类,故障诊断

基金资助：国家自然科学基金面上资助项目(61871432,61771492);湖南省自然科学基金资助项目(2020JJ4275,2019JJ6008,2019JJ60054);湖南省教育厅重点资助项目(17A052);2019湖南省研究生创新资助项目(CX20190847)。