基于相对变换的ICA故障检测方法

针对传统独立主元分析方法(independent component analysis,ICA)在标准化处理后导致特征值大小近似相等,难以提取有代表性变量等问题,提出了一种基于相对变换的独立主元分析(relative transformation ICA,RTICA)故障检测方法。该方法引入欧氏距离相对变换理论,将原始空间数据变换得到相对空间,然后在相对空间进行独立主元分析,降低相对空间的数据维数,使提取的独立主元特征具有更大的适应性,建立故障检测模型,最终实现在线故障检测。该方法通过田纳西-伊斯曼过程仿真加以验证,并应用到电主轴裂纹故障的状态监测中,实验结果表明该方法能有效减少独立主元个数,简化故障检测模型的复杂度,增强状态检测性能。

基于人工蜂群优化核主元分析故障检测方法

核主元分析方法（Kernel Principal Component Analysis,KPCA）能有效地捕捉数据的非线性特征,其故障检测能力很大程度上取决于核参数的选择。常用的核函数有多项式核函数和高斯径向基核函数等。该方法将多项式核函数和高斯径向基核函数进行线性组合,结合两者优点得到混合核函数,使用故障检测率作为优化目标的适应度函数,通过人工蜂群（Artificial Bee Colony Algorithm,ABC）优化算法对KPCA核参数的选取进行优化。将该方法应用到电主轴的转子不平衡故障分析中,对信号进行时域分析,利用KPCA对样本数据进行非线性特征提取,根据主元特征计算出的T2和SPE统计量实现故障检测。经过对实验数据分析表明,ABC优化算法较二分法、粒子群等优化算法能更有效地提高故障检测率。