基于TSNE和AW-SVR的滚动轴承退化状态预测

针对滚动轴承存在故障提取信息冗余、非平稳突变故障预测效果不佳的问题，提出了一种基于t分布随机近邻嵌入算法（T＿SNE）和自适应加权支持向量回归（AW-SVR）相结合的滚动轴承退化状态预测方法。该方法首先提取了滚动轴承的时域和频域指标，组成原始特征向量；然后通过T＿SNE算法进行特征降维，获得二维退化特征集，并利用相对均方根值（RRMS）划分滚动轴承的退化阶段，以此来描述轴承的退化状态；最后将权函数引入支持向量回归机（SVR）中，并通过自适应地改变突变点的权重增强SVR的学习能力，以提高对突变故障的预测精度。通过实验数据对比分析，结果表明T＿SNE和AW-SVR相结合比ISOMAP+SVR、LLE+SVR和T＿SNE+SVR方法在轴承退化状态预测方面具有更好的效果。