1 内容介绍
轴承退化过程预测在工业中极为重要，本文提出了一种基于主成分分析（PCA）和优化的LS-SVM方法实现轴承退化预测的新方法。首先，采用时域、频域、时频域特征提取方法从质量振动信号中提取原始特征；由于提取的原始特征仍然具有高维且包含冗余信息，采用多特征融合技术PCA对原始特征进行合并降维，提取出典型的敏感特征；然后，基于提取的特征构建并训练LS-SVM模型用于轴承退化过程预测。最后，用粒子群优化 (PSO) 用于选择 LS-SVM 参数进行轴承加速失效试验，结果证明了该方法的有效性。
2 仿真代码
%This code is using to normalize vibration signal
clc
clear all
close all
%% initial parameters
fs = 750;
I = 375;
tau_max = 200;
c1 = 1.5; % c1 belongs to [0,2]
c2 = 1.7; % c2 belongs to [0,2]
maxgen=100;
sizepop=30;
Nstd = 0.2;
NR = 100;
MaxIter = 100;
X = load('ecg.csv');
X_norm = zscore(X); %Z-Score
x_f_after_PCA = pca_fea_34(X_norm,fs,I,Nstd,NR,MaxIter);
figure,plot(x_f_after_PCA),title('The first principal component of vibration siganl ')
[predict2,MSE2] = lssvm_psr_pso(x_f_after_PCA,tau_max,c1,c2,maxgen,sizepop);
3 运行结果
4 参考文献
Shaojiang Dong,Tianhong Luo,Bearing degradation process prediction based on the PCA and optimized LS-SVM model,Measurement,2013.06
[1]王通, 高宪文, 翟瑀佳,等. 基于PSO-LSSVM预测的改进传感器故障检测和隔离[J]. 信息与控制, 2014, 43(2):6.
