基于KPCA与径向基神经网络的滚动轴承故障诊断

摘要

为了解决滚动轴承故障诊断中数据量大以及分类结果不准确的问题,本文提出一种核主成分分析法(Kernel-PCA)结合径向基神经网络(Radial Basis Function,RBF)的诊断方法.通过KPCA算法对1000组样本数据进行降维处理,最大程度保留了原始数据的特征信息.利用K-Means聚类算法确定RBF神经网络的高斯函数的数据中心以及扩展常数,通过线性最小二乘法得到隐层与输出层的连接权值以及阈值,最终测试样本数据的均方误差为0.0694.