PCA与SVM在滚动轴承性能退化评估中的应用

"基于PCA与SVM的滚动轴承性能退化评估" 本文主要探讨了滚动轴承的性能退化评估，这是视情维修（Condition-based Maintenance, CBM）中的一个重要环节。作者陈龙、谭继文和姜晓瑜来自青岛理工大学机械工程学院，他们的研究受到了多项科研基金的支持。文章介绍了一种结合主成分分析（PCA）和多维尺度分析（MDS）以及改进的支持向量机（SVM）的方法来评估滚动轴承的性能退化。 首先，PCA被用来提取数据的主要特征。PCA是一种统计方法，能够将高维度的数据集转换成少数几个主要成分，这些主要成分保留了原始数据的大部分信息。在这个研究中，PCA设置贡献率为0.999，这意味着99.9%的数据方差被保留，以确保关键信息的提取。 接下来，MDS用于进一步降低数据的维度。MDS是一种非线性的降维技术，它可以帮助保留数据之间的距离信息，使数据在低维度空间中仍能保持原有的结构。经过PCA和MDS处理后，原始数据被转化为反映轴承状态的特征。 然后，研究采用随机抽样的方式，从健康状态和故障状态的滚动轴承中选取样本，并将这些状态特征划分为训练集和测试集。使用训练集对改进的SVM模型进行训练，以构建性能退化评估模型。SVM是一种监督学习算法，特别适用于小样本和非线性问题，其核心思想是构造最优超平面来分类数据。 最后，通过将测试样本输入到训练好的SVM模型中，对轴承的性能退化进行评估。这一步骤有助于识别轴承的早期退化迹象，从而提前进行维护，防止设备故障。 在全寿命实验数据的基础上，研究得出滚动轴承的性能退化趋势图。这为理解和预测轴承的工作状态提供了直观的可视化工具，对于预防性维护策略的制定具有实际意义。关键词包括滚动轴承、性能退化评估、PCA、MDS和SVM，表明了研究的主要技术手段和研究领域。 该研究通过综合运用PCA、MDS和SVM，提供了一种有效评估滚动轴承性能退化的技术路线，对于提升机械设备的可靠性，减少非计划停机时间，以及优化维护策略具有重要的理论和实践价值。