来源：期刊VIP网 时间：
作者：钟建华;黄聪;钟舜聪;肖顺根;
单位：福州大学机械工程及自动化学院;福建省太赫兹功能器件与智能传感重点实验室;宁德师范学院信息工程学院;
摘要：由于实际工况下的轴承退化数据有限，无法获得足够的退化数据来训练神经网络，在深度学习网络中很难得到好的预测结果，所以提出一种新的结合机器学习和统计数据驱动的方法。首先对原始振动信号做特征提取，通过集合经验模态分解奇异值分解(Ensemble Empirical Mode Decompositiont Singular Value Decomposition,EEMD+SVD)得到数十维特征，加上剩余寿命预测常用的诸如峭度、均值等有效特征，利用决策树筛选出15维特征；将所筛选特征进行双指数拟合并通过t分布随机近邻嵌入(t-distributed Stochastic Neighbor Embedding,t-SNE)将退化信号降维成线性趋势。线性退化趋势在预测上相比于指数趋势有更好的泛化性，同时预测准确度相比于指数模型支持向量回归(Support Vector Regression,SVR)和深度信念网络(Deep Belief Network,DBN)都有较高的提升。
关键词：特征提取;;轴承;;剩余寿命预测;;双指数模型;;t-SNE
基金资助：国家自然科学基金项目(52275096);; 福建省技术创新重点攻关项目(2022G02030)资助~~
