基于PCA多模型融合的滚动轴承性能退化指标构建

Construction of performance degradation indicators for rolling bearings based on PCA multi-model fusion

摘要

单模型构建的滚动轴承性能健康指标仅能从本身的“单角度”来描述滚动轴承的性能退化状态，具有一定的局限性。为解决这个问题，提出一种基于主成分分析（principal component analysis，PCA）多模型融合的滚动轴承健康指标构建方法。该方法分别采用支持向量数据描述（support vector data description，SVDD）模型、自联想核回归（auto-associative kernel regression，AAKR）模型和高斯混合模型（Gaussian mixture module，GMM）构建相应单模型的健康指标，再将3个单模型的健康指标经主成分分析（PCA）融合，并选取第一主成分作为能够包含“多角度”性能退化信息的健康指标（SAG-HI）。试验结果表明，相比于各单模型的健康指标，SAG-HI与滚动轴承保持可靠度的灰置信水平达到98.38%，其相关性、单调性和鲁棒性也均表现为最优，且通过包络谱分析验证了其能够准确且及时监测到早期故障发生时刻。

关键词

滚动轴承 / 支持向量数据 / 自联想核回归 / 高斯混合模型 / 主成分分析 / 性能退化指标 / 多模型融合

Key words

rolling bearings / support vector data / auto-associative kernel regression / Gaussian mixture model / PCA / performance degradation indicators / multi-model fusion

基金资助

国家自然科学基金(62003223)