基于改进距离评估算法和加权K近邻的轴承故障诊断统计特征融合方法
信号处理
2025-09-26 v1 系统与控制
系统与控制
摘要
轴承是旋转机械中最易发生故障的部件之一，其状态直接影响整体性能。因此，准确诊断轴承故障对于确保系统稳定性至关重要。然而，在噪声环境中从多个传感器收集数据，检测此类故障需要提取和选择有信息量的特征。本文提出一种结合改进距离评估算法和加权K近邻（KNN）分类器的轴承故障诊断方法。该方法首先提取并整合振动在时域、频域和时频域中的统计特征。随后，改进距离评估算法为提取的特征分配权重，通过消除不敏感的特征来保留最具信息量的特征。最后，使用所选特征训练加权KNN分类器。为验证所提方法的有效性，我们采用University of Ottawa的轴承数据。结果表明，我们的方法在准确识别轴承故障方面有效。
引用
@article{arxiv.2509.21219,
title = {An enhanced statistical feature fusion approach using an improved distance evaluation algorithm and weighted K-nearest neighbor for bearing fault diagnosis},
author = {Amir Eshaghi Chaleshtori and Abdollah Aghaie},
journal= {arXiv preprint arXiv:2509.21219},
year = {2025}
}