基于多维缩放和随机森林的轴承故障诊断方法

张西宁; 张雯雯; 周融通; 余迪

doi:10.7652/xjtuxb201908001

您当前的位置：

首页 >

文章列表页 >

基于多维缩放和随机森林的轴承故障诊断方法

更新时间：2025-07-09

- 基于多维缩放和随机森林的轴承故障诊断方法
- Bearing Fault Diagnosis Method Based on Multiple Dimensional Scaling and Random Forest
- 西安交通大学学报 2019年53卷第8期页码：1-7
- 作者机构：
  
  西安交通大学机械制造系统工程国家重点实验室,西安,710049
- 作者简介：
- 基金信息：
  
  : 2019-03-26。作者简介: 张西宁(1965-),男,教授,博士生导师。基金项目: 国家自然科学基金资助项目(51275379);国家自然科学基金创新研究群体资助项目(51421004)
- DOI：10.7652/xjtuxb201908001
  中图分类号： TH17
- 网络首发：2019-08-10，
  
  纸质出版：2019
- 稿件说明：
移动端阅览
张西宁, 张雯雯, 周融通, 等. 基于多维缩放和随机森林的轴承故障诊断方法[J]. 西安交通大学学报, 2019,53(8):1-7.

Bearing Fault Diagnosis Method Based on Multiple Dimensional Scaling and Random Forest[J]. 2019, 53(8): 1-7.
张西宁, 张雯雯, 周融通, 等. 基于多维缩放和随机森林的轴承故障诊断方法[J]. 西安交通大学学报, 2019,53(8):1-7. DOI： 10.7652/xjtuxb201908001.

Bearing Fault Diagnosis Method Based on Multiple Dimensional Scaling and Random Forest[J]. 2019, 53(8): 1-7. DOI： 10.7652/xjtuxb201908001.

摘要

为快速准确识别轴承的运行状态

提出了一种基于多维缩放和随机森林的轴承故障诊断方法。该方法采用函数型数据分析

得到轴承振动信号自相关函数的拟合系数

构造故障特征集; 使用网格搜索法优化随机森林参数

得到特征重要性排序; 然后使用多维缩放方法对特征选择后的故障特征集进行降维; 最后采用随机森林对降维后的故障特征进行诊断识别。为验证所提方法的有效性

开展了正常、内圈故障、外圈故障、滚子故障状态下的轴承振动实验

结果表明

函数型数据分析的特征提取方式能有效表征不同状态轴承振动信号的不同特征

与t分布随机邻域嵌入和主分量分析方法相比

多维缩放方法具有更高的类间距和类内距的比值

且优势明显

各类状态的诊断准确率均高达100%

较使用原始特征集的随机森林平均准确率提高了5%。

Abstract

For quick and accurate recognition of bearing operating condition

a fault diagnosis method based on multiple dimensional scaling and random forest is proposed. Functional data analysis is adopted to obtain the fitting coefficients of the auto-correlation function of bearing vibration signal

and a fault feature set is built. Then grid search method is employed to optimi-e the random forest parameters to obtain feature importance ranking

and multiple dimensional scaling is used to reduce dimension of the fault feature set selected according to the feature importance ranking. The dimension-reduced features are diagnosed and identified by the random forest. To verify the effectiveness of the proposed method

bearing vibration experiments under normal

inner ring fault

outer ring fault and roller fault conditions are conducted. The data analysis results indicate that the feature extraction method of functional data analysis can effectively characteri-e the different features of vibratio

关键词

Keywords

references

RANDALL R B. Vibration-based condition monitoring: industrial, aerospace and automotive applications [J]. Mechanisms & Machine Science, 2010(3): 431-477.

屈粱生, 何正嘉. 机械故障诊断学 [M]. 上海: 上海科学技术出版社, 1986: 81.

ZHOU H, CHEN J, DONG G, et al. Bearing fault recognition method based on neighborhood component analysis and coupled hidden Markov model [J]. Mechanical Systems and Signal Processing, 2016, 66: 568-581.

张西宁, 雷威, 李兵. 主分量分析和隐马尔科夫模型结合的轴承监测诊断方法 [J]. 西安交通大学学报, 2017, 51(6): 1-7, 109.

ZHANG Xining, LEI Wei, LI Bing. Bearing fault detection and diagnosis method based on principal component and hidden Markov model [J]. Journal of Xi’an Jiaotong University, 2017, 51(6): 1-7, 109.

雷亚国, 何正嘉, 訾艳阳. 基于混合智能新模型的故障诊断 [J]. 机械工程学报, 2008, 44(7): 112-117.

LEI Yaguo, HE Zhengjia, ZI Yanyang. Fault diagnosis based on novel hybrid intelligent model [J]. Chinese Journal of Mechanical Engineering, 2008, 44(7): 112-117.

高峰, 申江江, 曲建岭, 等. 基于Hilbert边际谱和IPSO-SVDD的滚动轴承故障诊断 [J]. 电子测量与仪器学报, 2017(6): 892-898.

GAO Feng, SHEN Jiangjiang, QU Jianling, et al. Rolling bearing fault diagnosis based on Hilbert marginal spectrum and IPSO-SVDD [J]. Journal of Electronic Measurement and Instrumentation, 2017(6): 892-898.

赵志宏, 杨绍普. 一种基于样本熵的轴承故障诊断方法 [J]. 振动与冲击, 2012, 31(6): 136-140.

ZHAO Zhihong, YANG Shaopu. Sample entropy-based roller bearing fault diagnosis method [J]. Journal of Vibration and Shock, 2012, 31(6): 136-140, 154.

王志搏, 李富才, 孟立立, 等. 基于ITD和模糊熵的滚动轴承智能诊断 [J]. 噪声与振动控制, 2016, 36(1): 142-147.

WANG Zhibo, LI Fucai, MENG Lili, et al. Rolling bearing intelligent diagnosis based on fuzzy entropy and ITD [J]. Noise and Vibration Control, 2016, 36(1): 142-147.

周志华. 机器学习 [M]. 北京: 清华大学出版社, 2016: 225-240.

赵强. 基于函数型数据分析SVDD的行星齿轮剩余寿命预测 [D]. 哈尔滨: 哈尔滨理工大学, 2018: 3-4.

屈梁生, 张西宁, 沈玉娣. 机械故障诊断理论与方法 [M]. 西安: 西安交通大学出版社, 2009: 40-43.

VAN DER MAATEN L J P, HINTON G E. Visualizing high-dimensional data using t-SNE [J]. Journal of Machine Learning Research, 2008, 9: 2579-2605.

BUJA A, SWAYNE D F, LITTMAN M L, et al. Data visualization with multidimensional scaling [J]. Journal of Computational and Graphical Statistics, 2008, 17(2): 444-472.

BREIMAN L. Random forest [J]. Machine Learning, 2001, 45(1): 5-32.

王梓杰, 周新志, 宁芊. 基于PCA和随机森林的故障趋势预测方法研究 [J]. 计算机测量与控制, 2018(2): 21-23.

WANG Zijie, ZHOU Xinzhi, NING Qian. Study on the fault trend prediction method based on PCA and random forest [J]. Computer Measurement and Control, 2018(2): 21-23.

张钰, 陈珺, 王晓峰, 等. 随机森林在滚动轴承故障诊断中的应用 [J]. 计算机工程与应用, 2018, 54(6): 100-104.

ZHANG Yu, CHEN Jun, WANG Xiaofeng, et al. Application of random forest in rolling element bearings fault diagnosis [J]. Computer Engineering and Application, 2018, 54(6): 100-104.

赵帅, 黄亦翔, 王浩任, 等. 基于随机森林与主成分分析的刀具磨损评估 [J]. 机械工程学报, 2017, 53(21): 181-189.

ZHAO Shuai, HUANG Yixiang, WANG Haoren, et al. Random forest and principle components analysis based on health assessment methodology for tool wear [J]. Journal of Mechanical Engineering, 2017, 53(21): 181-189.

LI C, SANCHEZ R V, ZURITA G, et al. Gearbox fault diagnosis based on deep random forest fusion of acoustic and vibratory signals [J]. Mechanical Systems and Signal Processing, 2016, 76: 283-293.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

采用多层图模型推理的道路场景分割算法

采用自适应基因粒子群算法优化隐马尔科夫模型的方法及应用

改进深度卷积神经网络及其在变工况滚动轴承故障诊断中的应用

融合多注意力机制的卷积神经网络轴承故障诊断方法

采用多尺度自适应选择卷积神经网络的轴承故障诊断研究