KPCA提取轴承振动信号的主成分特征_振动信号特征提取

KPCA提取轴承振动信号的主成分特征

---

---

前言

采用核主成分分析方法融合轴承振动信号时域、频域特征指标并提取第一主成分评估轴承性能退化情况，并将满足要求的多个KPCA 主成分作为输入

---

一、时域频域特征提取

首先，提取轴承振动信号的16 个时域特征指标、13 个频域特征指标，结果分别，如图所示。从图中可以看到，各指标体现轴承退化趋势的方式各异。其中，图 中的均值、歪度以及图 中的特征频率1、2 几乎无性能退化趋势体现；图3中的峭度和图4 中的特征频率6 对早期故障不敏感，轴承失效时才发生变化；此外，时域中的无量纲指标过于嘈杂，将上述这些指标予以剔除。

二、提取KPCA第一主成分

利用KPCA 方法将剩余特征指标进行加权融合，提取KPCA第一主成分做为轴承性能退化评估指标，为减小轴承个体差异的影响，将KPCA 第一主成分进行标准化[11]处理，结果如图5所示。定义KPCA 第一主成分值1.2 和3 为轴承衰退期的下阈值和上阈值。对比KPCA 第一主成分和时、频域特征指标，发现KPCA 第一主成分随轴承故障发展而上升，并且在500 点时（故障早期）就已呈现良好的上升趋势，而单一的时域、频域特征指标要在700 点甚至更后才能对轴承故障有所反映。因此，利用KPCA 第一主成分表征轴承性能退化趋势较时域或频域单一特征指标更为全面：该指标既能随故障发展稳定增长，又具有良好的早期故障敏感性。将KPCA 的各个主成分的贡献率由大到小进行排序，并计算累计贡献率，如图所示。

---

总结

可以看出，前三个主成分的累计贡献率已达到85%，故选取轴承1 衰退期内第一、第二和第三主成分和对应的剩余寿命组成训练样本，建立模型。相比原始数据，经KPCA 加权融合后的数据维数大大下降。

参考文献
【1】KPCA和改进SVM在滚动轴承剩余寿命预测中的应用研究_者娜