基于核函数主元分析的机械设备状态识别

研究了核函数主元分析在机械故障模式分类中的应用 .通过计算原始空间的内积核函数实现原始数据空间到高维数据空间的非线性映射 ,再对高维数据作主元分析 ,求取更易于分类的核函数主元 .实验表明 ,核函数主元分析更适于提取故障信号的非线性特征 ,能有效区分不同的故障模式 ,可以应用于机械设备的状态识别 .

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PSO改进KPCA-SVM的故障监测和诊断方法研究

针对传统故障监测与诊断算法在船舶柴油发动机燃油系统应用中精度较低的问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)算法优化核主成分分析(Kernel Principal Component Analysis,KPCA)和支持向量机(Support Vector Machine,SVM)的故障监测和诊断新方法。首先采用KPCA提取样本数据中的非线性特征,获取其高维信息,同时在特征空间中构建T 2和SPE统计量,实时监测故障的发生;对于监测到的故障样本,通过KPCA提取其非线性主成分,作为多分类SVM的输入样本进行故障模式识别,采用PSO算法分别对KPCA与多分类SVM的核函数参数、多分类SVM的惩罚因子进行优化,以提高故障监测和诊断模型的精度。船舶燃油系统故障监测和诊断试验结果表明,经过PSO优化后的KPCA-SVM故障监测和诊断模型的精度明显提高,验证了所提方法的优势和有效性。