论文部分内容阅读
根据轴承信号特点将二阶循环解调信息引入到机器学习中,提出一种基于循环自相关(CAF)频域特征和时域特征(TD)相结合的多域核极限学习机(MKELM)以精确识别轴承状态。该算法针对轴承信号的二阶循环特性构建CAF函数提取样本的循环频域特征,并与样本时域特征量结合;在此同时设计多域特征向量的匹配因子融合TD与CAF特征向量;最后将融合后的CAF-TD样本特征输入到核极限学习机中进行聚类回归。主轴轴承实验结果表明:基于CAF提取的循环频域统计量能够敏感的反映信号特征,与经典分类器比较,CAF-TD多域核极限学习