基于PPCA的旋转机械故障识别算法

研究汽轮机的旋转机械故障有效提高识别率问题,故障诊断的难点在于传感器采集的离散故障信号无法清晰表现故障特性,存在相互耦合特点以及信号维数截断选择的缺乏标准性。为解决上述问题,根据故障振动信号非线性耦合的特性,提出了一种PPCA的旋转机械故障识别算法,算法采用概率主元分析(PPCA)对故障样本进行主元特征提取,得到较低维数的样本特征,克服了信号维数难以确定的难题,通过样本特征进行训练"一对一投票"的多类SVM分类器。实验结果表明,与传统PCA近邻法和常用SVM算法相比,改进方法不仅有很高的正确识别率,而且对自相关性较严重的类别样本也有较好的识别效果,为机械故障诊断提供了可靠识别方法。

基于极限学习机的多传感器旋转机械故障诊断

为了更好的对旋转机械故障进行识别与分类,文章提出了一类基于极限学习机的多传感器融合故障识别方法.首先,利用FFT对数据进行预处理,并对多传感器的预处理结果进行加权融合,以单传感器历史数据识别得到的正确率为融合系数.然后,对极限学习机进行训练和测试.结果表明基于融合数据特征的识别率表现优于基于单传感器数据特征的识别率.