轴承故障诊断中特征选取技术
汪嘉晨1(
),唐向红1,2,3,*(),陆见光1,2,3 1. 贵州大学现代制造技术教育部重点实验室，贵州 贵阳 550025
2. 贵州大学机械工程学院，贵州 贵阳 550025
3. 贵州大学公共大数据国家重点实验室，贵州 贵阳 550025
收稿日期:2018-08-03出版日期:2019-04-20发布日期:2019-04-19通讯作者:唐向红E-mail:wangjiachen512@qq.com;xhtang@gzu.edu.cn作者简介:汪嘉晨(1991—)，男，陕西西安人，硕士研究生，研究方向为机器学习.E-mail: 基金资助:贵州省公共大数据重点实验室开放基金资助项目(2017BDKFJJ019);贵州大学引进人才基金资助项目(贵大人基合字(2016)13号)Research onfeature selection technology in bearing fault diagnosis
Jiachen WANG1(),Xianghong TANG1,2,3,*(),Jianguang LU1,2,3 1. Key Laboratory of Advanced Manufacturing Technology, Ministry of Education, Guizhou University, Guiyang 550025, Guizhou, China
2. School of Mechanical Engineering, Guizhou University, Guiyang 550025, Guizhou China
3. State Key Laboratory of Public Big Data, Guizhou University, Guiyang 550025, Guizhou China
Received:2018-08-03Online:2019-04-20Published:2019-04-19Contact:Xianghong TANG E-mail:wangjiachen512@qq.com;xhtang@gzu.edu.cnSupported by:贵州省公共大数据重点实验室开放基金资助项目(2017BDKFJJ019);贵州大学引进人才基金资助项目(贵大人基合字(2016)13号)摘要/Abstract
摘要： 针对轴承故障诊断建模中如何通过筛选有效特征提高模型诊断准确率的问题，提出一种新的特征选取方法。在计算所得特征集合中，利用诊断模型直接对特征进行判断，将高于阈值的诊断准确率对应的特征(组合)选取为显著特征，以显著特征导向选取方式，找到候选特征集合中维度低、诊断准确率高的特征。试验结果表明，本研究提出的方法可筛选出有效特征，降低模型参数、减少样本需求量、提高模型准确率，提升了故障诊断的效率。
PDF全文下载地址:
http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=1813
