半监督拉普拉斯分值在滚动轴承故障诊断中的应用
梁闯1
陈长征2
刘野3
贾歆莹3
1.沈阳工业大学 机械工程学院, 沈阳 110870;华晨宝马汽车有限公司, 沈阳 1101432.沈阳工业大学 机械工程学院, 沈阳 1108703.华晨宝马汽车有限公司, 沈阳 110143
摘要：针对滚动轴承故障诊断过程中标签样本不足的问题,结合特征选择与二次挖掘,提出了基于半监督拉普拉斯分值(Semi Supervised Laplace Score,SSLS)和核主元分析(Kernel Principal Component Analysis,KPCA)的滚动轴承故障诊断模型.SSLS将半监督思想应用于拉普拉斯分值特征选择方法中,利用少量的有标签样本和大量无标签样本,结合KPCA对故障特征进行二次挖掘.同时,将粒子群优化的支持向量机(Particle Swarm Optimization-based Support Vector Machine,PSO-SVM)算法用于故障分类.最后,将该模型应用于实验数据分析过程.结果表明,该模型在减少样本标记工作量的同时,仍能在滚动轴承故障分类中保持较高的准确率,验证了所建立模型的有效性和工程实用性.
关键词：特征选择半监督拉普拉斯分值核主元分析粒子群优化的支持向量机故障诊断
分类号：TH165(机械制造工艺)TN911(通信)
论文发表日期：2023-08-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：7( 771-777 )
英文信息