文献类型：期刊文章

作　　者：董飞[1,2] 俞啸[1,2,3] 丁恩杰[1,2] 吴守鹏[1,2]

DONG Fei;YU Xiao;DING En-jie;WU Shou-peng(School of Information and Control Engineering,China University of Mining and Technology,Jiangsu Xuzhou 221008,China;IOT Perception Mine Research Center,China University of Mining and Technology,Jiangsu Xuzhou 221008,China;School of Medicine Information,Xuzhou Medical University,Jiangsu Xuzhou 221009,China)

机构地区：[1]中国矿业大学信息与控制工程学院,江苏徐州221008 [2]中国矿业大学物联网(感知矿山)研究中心,江苏徐州221008 [3]徐州医科大学医学信息学院,江苏徐州221009

出　　处：《机械设计与制造》

基　　金：国家重点研发计划—矿山安全生产物联网关键技术与装备研发(2017YFC0804400,2017YFC0804401);国家重点基础研究发展计划(973)—深部危险煤层无人采掘装备关键基础研究(2014CB046300)。

年　　份：2020

期　　号：3

起止页码：29-33

语　　种：中文

收录情况：BDHX、BDHX2017、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为提高滚动轴承故障诊断的性能,结合故障敏感特征的选择,提出了一种基于小波包变换(WPT)和监督NPE的滚动轴承故障诊断模型。首先,WPT对原始振动信号进行处理,利用终端节点的单支重构信号得到多域统计特征,构成原始特征集。然后,为减少特征集中的冗余信息和干扰特征,提出一种基于朴素贝叶斯的故障敏感特征选择方法(FSNB)。为了进一步降低冗余信息和运算复杂度,提出一种基于类别标签的监督邻域保持嵌入(SNPEL)方法,实现对高维特征集的低维表示。最后,利用K近邻(KNN)算法实现滚动轴承的故障诊断。采用12种轴承故障数据来验证提出的故障诊断模型的性能,结果表明,提出的模型可以实现较高的故障诊断准确度和较好的适应性。

关 键 词：故障诊断 敏感特征  小波包变换 朴素贝叶斯 K近邻

分 类 号：TH16] TP391]