基于主曲线相似度的轴承健康状态评估方法

摘要

为了更有效地评估滚动轴承性能退化程度,提出了基于流形空间主曲线相似度的状态评估方法。首先,结合轴承振动信号自身特点,进行高维特征提取,利用流形学习算法拉普拉斯特征映射(Laplacian eigenmaps,简称LE)将原高维特征空间转换至低维空间;其次,利用软-K主曲线算法提取样本主曲线;最后,结合离散Frechet距离做出状态评估曲线。通过滚动轴承全寿命实验进行对比分析,所提方法相对隐马尔科夫链模型(hidden Markov model,简称HMM)、深度信念网络(deep belief networks,简称DBN)等方法,能更早地发现设备的早期故障,且可以对滚动轴承健康状态进行定量评估。