基于KPCA和SVM的电梯故障诊断系统

针对电梯故障的非线性特性及故障特征不明显,传统方法分析后留下的显著成分不能反映这种非线性属性等问题,提出了核主元分析(KPCA)和支持向量机(SVM)相结合的故障诊断方法。利用KPCA在高维空间具有较强的特征选择能力和支持向量机具有较强的辨识率的特点,通过核主元分析法提取电梯故障特征,以达到降维作用,再利用支持向量机分类模型进行故障辨识。实验证明用此方法进行电梯的故障诊断具有更快更好的诊断效果。     

核主元分析在透平机械状态监测中的应用

讨论了核主元分析(K erne l P rinc ipa l Com ponen t A na lys is,简称KPCA)原理,提出了基于KPCA的透平机械状态监测方法。该方法在低维特征空间利用内积核函数,实现原始空间到高维空间的非线性映射以及对高维映像数据的主元分析,从而在低维空间得到原始特征的非线性主元,并根据非线性主元构建特征子空间,实现特征提取和对透平机械状态的分类识别并监测其状态变化。对仿真数据及透平机械在正常、重负荷状态下试验数据的研究表明,KPCA分类效果比主元分析好,能有效地识别出透平机械的不同状态,并能及时监测到状态发生的变化。     

基于核函数主元分析的滚动轴承故障模式识别方法

基于核函数主元分析的独特优势,提出了滚动轴承故障诊断方法,通过核函数映射将非线性问题转换成高维的线性特征空间,然后对高维空间中的映射数据作主元分析,提取其非线性特征,对故障模式进行识别.并与主元分析方法进行了对比.试验结果表明,核函数主元分析法更适合提取故障的非线性特征,并能很好地识别滚动轴承故障模式.     

基于KPCA与LS-SVM的化工过程故障诊断算法研究

针对核主元分析方法(KPCA)在复杂化工在线监控过程中初始故障源难以辨识的问题,该文提出了一种基于核主元分析和最小二乘支持向量机的集成故障诊断方法。该方法首先运用KPCA对数据进行预处理,在特征空间构建T2和SPE来检测故障的发生,然后计算样本的非线性主元得分向量,将其作为最小二乘支持向量机的输入值,通过最小二乘支持向量机的分类进行故障类型的识别。将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程,多种故障模式下的仿真结果表明,该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

基于核最优K-L变换的故障特征提取方法研究

核函数主元分析KPCA(kernel princ ipal component analysis)能够提取机械故障信号的非线性特征,可以应用于机械故障状态识别。但是KPCA是一种无监督的特征提取方法,不能利用故障信号中的类别信息。本文介绍了一种核最优K-L变换,它可以充分利用类别信息,它能够提取类平均向量和方差向量中的判别信息,使提取的特征分类效果更好。在齿轮故障诊断实验中,采用核最优K-L变换提取故障信号的非线性特征,实验结果表明核最优K-L变换相比KPCA故障识别结果更为理想。     

GFD和核主元分析的机械振动特征提取

针对旋转机械非线性特征提取的问题,提出了广义分形维数(generalized fractal dimension,简称GFD)和核函数主元分析(kernel principal component analysis,简称KPCA)的旋转机械振动特征提取方法。首先,通过广义分形维数进行初次特征提取,形成高维特征空间;其次,通过核主元分析方法对高维特征空间降维并进行第二次特征提取;最后,利用核主元分析方法和KN近邻(KNN)方法对转子和轴承不同状态下的特征进行了分类。研究表明,GFD-KPCA方法对旋转机械进行了有效的特征提取,对不同状态的数据有高精度的分类,对参数选取有较低的依赖性。轴承微弱振动特征提取结果显示,GFD-KPCA性能优于常规的KPCA特征提取算法,具有更好的精度和适用范围。     

基于KPCA和MKL-SVM的非线性过程监控与故障诊断

利用核主元分析非线性过程监控的优势,结合多重核学习支持向量机在故障诊断方面的准确性,提出了基于核主元分析和多重核学习支持向量机的非线性过程监控与故障诊断方法。该方法运用核主元法对数据进行处理,在特征空间构建T2和SPE来检测故障的发生,若有故障发生,则计算样本的非线性主元得分向量,将其作为MKL-SVM的输入值,通过MKL-SVM的分类进行故障类型识别。将上述方法应用到Tennessee Eastman(TE)化工过程,多种故障模式的仿真结果表明该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

基于稀化核函数主元分析的机械故障诊断方法研究

提出一种基于稀化核函数主元分析的机械故障诊断新方法.该方法通过核函数映射将非线性问题转换成高维的线性特征空间,引入可变权值对高维空间中的映射数据的协方差矩阵进行稀化,应用似然估计得到优化权值,再作主元分析,提取其非线性特征,对机械故障模式进行识别.提出的方法继承核函数主元分析的优良性质,同时又能保证在识别效率不降低下的情况下有效提高故障识别速度.仿真和实验结果表明,稀化核函数主元分析和核函数主元分析方法都能得到很好的识别效果.然而,稀化核函数主元分析由于减少了核矩阵的计算量,因而模式识别速度大大加快.     

基于改进EEMD、KPCA与RBF结合的变负载下滚动轴承故障程度识别

针对变负载情况下滚动轴承故障信息难以提取、故障诊断精度低等问题,提出了一种基于包络谱灰色关联度的集合经验模态分解(EEMD)、核主元分析(KPCA)与径向基神经网络(RBF)相结合的滚动轴承故障诊断方法。该方法首先采用包络谱灰色关联度算法选择EEMD分解后的有效IMF分量,并对IMF分量进行加权,然后计算出加权后IMF分量的能量、峭度、偏度组成特征集,最后采用KPCA对特征集进行降维并将去除冗余后的特征集输入RBF中进行故障程度识别,实验结果表明此方法可以在变负载情况下有效的实现滚动轴承的故障程度的识别。     

一种有效提高控制图异常模式识别效果的方法

提出了一种基于主元分析(PCA)的控制图特征提取方法,先用常规控制图提取生产过程数据集,再将其高维特征进行线性组合并向低维空间投影,从而降低了分类器的输入维数,提高特征的敏感性。用一个含有6种趋势的20维特征数据集进行测试,通过PCA预处理后,特征被降到了3维并保留了88%的分类信息;再用BP分类器对特征提取前后的数据集进行识别,结果优于新型RSFM网络进行直接识别的效果。实验结果表明了本文方法的可行性和有效性。     

KPCA法在风电机组齿轮箱故障诊断中的应用

将核主成分分析法应用于风电机组齿轮箱的故障诊断中,通过计算齿轮箱振动信号原始数据空间的内积核函数来实现原始数据到特征空间的非线性映射。利用某风场齿轮箱的正常工作状态、初期磨损状态以及断齿状态下的振动数据进行测试,对主成分分析法和核主成分分析法的分类结果进行了分析比较。实验结果表明,核主成分分析法能够有效地对齿轮故障信号进行特征提取和模式分类,更适合于故障信号非线性特征的提取。     

核函数主元分析及其在故障特征提取中的应用

提出了基于核函数主元分析的故障特征提取方法。该方法利用计算原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析，得到原始特征的非线性主元．以所选的非线性主元作为特征子空间，并应用转子试验台的故障数据对该方法进行了检验。结果表明，核函数主元分析更适于提取故障信号的非线性特征，它提取的故障特征对故障具有更好的识别能力，并对分类器具有较强的鲁棒性。     

核函数主元分析及其在齿轮故障诊断中的应用

提出了基于核函数主元分析的齿轮故障诊断方法。该方法通过计算齿轮振动信号原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析,得到原始特征的非线性主元,以所选的非线性主元作为特征子空间对齿轮工作状态进行分类识别。用齿轮在正常状态、裂纹状态和断齿状态下的试验数据对该方法进行了检验,比较了主元分析与核函数主元分析的分类效果。结果表明,核函数主元分析能有效的检测裂纹故障的出现,正确区分不同的故障模式,更适于提取故障信号的非线性特征。     

基于KPCA和PSOSVM的异步电机故障诊断

针对异步电机故障振动信号具有较强的非线性特征,而传统的线性分析方法易造成振动信号非线性成分的丢失这一情况,提出一种核主元分析和粒子群支持向量机相结合的异步电机故障诊断方法。利用核函数实现输入空间到高维特征空间的非线性映射以及对映射数据的主元分析,得到原始样本的非线性主元,实现特征提取和数据压缩,将获得的核主元特征通过支持向量机进行模式识别。采用距离比值法和粒子群算法分别对核主元分析和支持向量机的参数进行双重优化选择。实验结果表明,该方法能有效提取故障信号的非线性特征,具有较强的非线性模式识别能力,相比主元分析和支持向量机方法,分类效果更好,实时性更强,可快速有效实现异步电机故障诊断。     

基于KPCA和Gabor小波的特征融合人脸识别

针对大多数人脸识别算法中特征提取只关注一种特征的问题,本文提出了一种基于KPCA和Gabor小波特征融合的人脸识别算法。它是一种用核主成分分析方法 (KPCA)提取人脸高阶非线性全局特征,用Gabor小波提取人脸局部特征,再分别用费谢尔线性判别(FLD)提取特征再加权级联融合的方法。实验表明,该算法不仅计算速度快,识别率高,而且能有效解决小样本空间问题。     

形态非抽样小波与灰色关联度的轴承故障诊断

文中针对滚动轴承振动信号的强噪声背景以及故障样本不易大量获取的问题,提出了一种基于形态非抽样小波与灰色关联度的滚动轴承故障诊断方法。形态非抽样小波克服了传统形态小波由于采用抽样方式分解而造成的信息丢失问题,具有良好的特征提取和抗噪性能。灰色关联度分析方法对小样本模式识别问题具有良好的分类效果,适用于滚动轴承的故障模式识别。文中首先利用差值形态滤波能够提取信号冲击成分的特点,提出一种多尺度形态非抽样小波方法提取滚动轴承故障特征,然后将形态非抽样小波分解后近似信号的归一化特征能量作为特征向量,最后通过比较待识别样本与标准故障模式的灰色关联度来对故障模式进行分类。实例表明该方法可取得良好的效果。     

基于FrFT-FD和KPCA模拟电路故障特征提取方法

为获得有效的故障特征信息,提出一种基于分数阶傅里叶变换分形维的模拟电路故障特征提取方法。首先,把原始数据空间中的特征数据映射到不同的分数阶空间,分别计算不同分数阶次下故障响应信号的分形维数;然后,采用核主元分析进一步对候选特征实施降维;最后,将优化后的特征向量作为故障特征,利用神经网络进行分类诊断。仿真结果表明,本方法能很好地获取不同故障响应信号的细微差异,增强不同故障模式的可分性,提高故障诊断准确率。     

基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法

为克服多尺度样本熵的不足,更精确地提取滚动轴承非线性故障特征,将一种新的非线性动力学分析方法--精细复合多尺度散布熵引入到滚动轴承的故障特征提取。在此基础上,提出了一种基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断新方法。通过滚动轴承实验数据分析,将所提方法与基于多尺度样本熵和多尺度散布熵的故障诊断方法进行了对比,结果表明：所提方法不仅能精确地识别滚动轴承故障类型和故障程度,而且故障识别率高于另两种方法。