论文部分内容阅读
滚动轴承是机械设备中最易失效的零部件之一,其故障诊断本质上是模式识别问题,研究如何从复杂的原始振动信号中提取出对设备运行状态敏感、可分性好、规律性强的特征参数,是轴承故障诊断的关注点。本学位论文针对滚动轴承故障状态识别问题展开研究,引入核熵成分分析(KECA)进行滚动轴承状态识别,并提出几种改进模型,主要工作如下:针对从滚动轴承振动信号提取的混合域高维特征数据集中存在的相关性和冗余性,对后续的滚动轴承状态识别性能产生影响等问题,引入了一种基于KECA算法的滚动轴承状态识别模型。该模型从滚动轴承早期故