模糊支持张量训练机及其在滚动轴承故障诊断中的应用

作者：王劲锋,薛玉石,山春凤 日期：2022-12-20/span> 浏览：454 查看PDF文档

摘要:在进行样本不平衡数据建模时,支持向量机(SVM)无法保护故障信号的特征信息,针对这一问题,提出了一种基于模糊支持张量训练机(FSTTM)的状态评估方法。首先,利用多源故障信号在FSTTM中,构建了张量样本,并在模型中引入了张量训练(TT)分解方法,以提取高阶张量样本中包含的特征信息;然后,利用基于TT核函数,建立了线性不可分下的预测模型,解决了非线性数据的分类问题;最后,在目标函数中设计了模糊因子,使模型对数目较少一类样本及数目较多一类样本的倾向均衡,实现了对样本不平衡数据的有效分类。研究结果表明:采用FSTTM对两种不同的滚动轴承数据进行故障诊断实验,其故障识别准确率均在97%以上,且F1-score指标达到0.9800以上;相对于传统支持张量机,FSTTM利用高阶张量和模糊因子构造预测模型,可实现对原始信号状态信息的充分利用和样本不平衡数据的准确分类。

关键词:故障信号特征信息;模糊支持张量训练机;张量训练分解方法;支持向量机;样本不平衡数据建模;多源故障信号;模型分类性能

中图分类号:TH133.33;TP18文献标识码:A文章编号:1001-4551(2022)10-1405-07


本文引用格式:

王劲锋,薛玉石,山春凤.模糊支持张量训练机及其在滚动轴承故障诊断中的应用［J］.机电工程,2022,39(10):1405-1411.

WANG Jin-feng, XUE Yu-shi, SHAN Chun-feng. Fuzzy support tensor train machine and its application in rolling bearing fault diagnosis［J］.Journal of Mechanical & Electrical Engineering, 2022,39(10):1405-1411.