机床与液压

作者：岳新鹏，王红，何勇

单位：兰州交通大学机电工程学院；兰州交通大学机电工程学院；兰州交通大学机电工程学院

关键词：滚动轴承;特征提取;健康指标（HI）;核主成分分析（KPCA）;长短时记忆网络（LSTM）

基金：国家自然科学基金项目(72061022)；兰州交通大学-天津大学联合创新基金项目(LH2024006)；甘肃省教育厅：优秀研究生“创新之星”项目（2025CXZX-740）

针对现有滚动轴承健康指标（HI）构建方法计算效率较低、权重参数选取合理性欠缺的问题，提出一种基于多域特征提取的KPCA-LSTM滚动轴承健康指标构建方法。以滚动轴承的原始振动信号为基础，提取时域、频域和时频域特征，并利用特征筛选综合指标得到优选特征集，采用核主成分分析（KPCA）对优选特征集进行降维以消除冗余信息。试验结果表明：经KPCA降维后，前3个主元保留了优选特征集97%以上的有用信息，有效实现了特征提取和降维。考虑到长短时记忆网络（LSTM）在捕捉时间序列数据长期依赖关系方面的优势，将降维后的优选特征集输入LSTM构建健康指标，并采用3次连续3σ准则识别早期故障点；为进一步提前HI早期故障的识别时刻，以早期故障识别时刻为目标函数，对特征筛选综合指标中的权重参数进行优化。在试验1中，权重参数优化后得到的HI相对于优化前的早期故障识别时刻提前120 min，相较已有研究可提前70 min，且单调性比现有研究提高8.4%；在试验2中，权重参数优化后较优化前早期故障的识别时刻提前2 min，较已有研究可提前4 min，证明了所提HI构建方法的优越性和权重参数优化的有效性。

来源：2026年第2期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第2期