基于核函数PCA的齿轮箱状态监测研究

讨论核函数PCA(principal analysis component,主元分析)的算法原理,提出基于核函数PCA的齿轮箱状念监测方法。该方法借助于核函数计算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,实现对齿轮箱运行状态的分类识别,并监测其状态变化。实例研究表明,核函数PCA分类效果比PCA好,能有效识别出齿轮箱的不同状念,并及时监测到齿轮箱工作状态的变化。     

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。     

冷轧过程断带故障的诊断研究

在冷轧过程中,断带故障是冷轧工序的主要生产故障之一。针对冷轧过程断带故障的特点,提出一种基于核主元分析(KPCA)非线性特征提取和最小二乘支持向量机(LSSVM)分类的故障诊断方法。此方法采用KPCA理论将冷轧过程原始空间数据映射到高维空间,并在高维空间进行主元分析,从而降维、去相关性,得到冷轧过程非线性特征向量。将降维后的特征主元作为LSSVM输入进行训练和识别,根据LSSVM的输出结果判断冷轧过程工作状态与故障类型。仿真结果表明:基于KPCA非线性特征提取和LSSVM分类的故障诊断方法计算速度快,能有效地提取冷轧过程断带故障特征,识别断带故障类型。     

基于KPCA的轴承故障状态分类研究

提出基于核函数主元分析的轴承故障分类方法。该方法通过计算轴承振动信号原始特征空间的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。通过振动测试仪获取轴承在正常、外圈破损和保持架损坏状态下的实验数据,比较主元分析与核函数主元分析的故障分类效果。实验表明,核函数主元分析更适合提取故障信号的非线性特征,对故障特征状态有更好的分类效果,并对分类器有较强的鲁棒性。     

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。     

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.     

基于核函数Fisher鉴别分析的特征提取方法

提出一种基于核函数的Fisher鉴别分析的故障特征提取方法。该方法通过内积核函数将原始特征空间映射到高维特征空间,然后在高维特征空间作线性Fisher判别分析,从而得到原始特征空间的非线性特征,最后应用滚动轴承的故障数据对该方法进行了检验。结果表明,与线性Fisher鉴别分析和核主元分析方法相比,基于核函数的Fisher鉴别分析更适合提取机械故障的非线性特征,它所提取的故障特征对故障具有更好的识别分类能力,并且对分类器具有较强的鲁棒性。     

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的污水处理过程监视

污水生化处理过程的严重非线性给过程监视带来困难.核主元分析(KPCA)可以通过集成算子与非线性核函数有效计算高维特征空间的主元成分,从而有效捕捉过程中的非线性关系.基于KPCA方法构造污水生化处理过程监视策略,可以有效监测污水处理过程中出现的异常状态,与线性PCA监视方法相比,显示出更好的监视性能.     

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。     

NONLINEAR DATA RECONCILIATION METHOD BASED ON KERNEL PRINCIPAL COMPONENT ANALYSIS

In the industrial process situation, principal component analysis (PCA) is a general method in data reconciliation. However, PCA sometime is unfeasible to nonlinear feature analysis and limited in application to nonlinear industrial process. Kernel PCA (KPCA) is extension of PCA and can be used for nonlinear feature analysis. A nonlinear data reconciliation method based on KPCA is proposed. The basic idea of this method is that firstly original data are mapped to high dimensional feature space by nonlinear function, and PCA is implemented in the feature space. Then nonlinear feature analysis is implemented and data are reconstructed by using the kernel. The data reconciliation method based on KPCA is applied to ternary distillation column. Simulation results show that this method can filter the noise in measurements of nonlinear process and reconciliated data can represent the true information of nonlinear process.     

基于KPCA的SBR过程监视

序批式反应器生化污水处理系统（SBR）具有复杂的生化反应机理，其固有的严重非线性、持续时间有限、非稳态运行等给其过程监视带来特殊困难。核主元分析（KPCA）方法通过集成算子与非线性核函数计算高维特性空间的主元成分，有效捕捉过程变量中的非线性关系。将KPCA技巧应用到序批式反应器生化污水处理系统，建立了基于KPCA的SBR污水处理过程在线监视策略。在监视暴风雨事件等典型的SBR过程异常状态时，统计指标变化灵敏，诊断及时。与线性PCA相比，显示出更高的过程监视性能。     

基于非线性流形学习的磨粒特征提取方法

针对磨粒特征参数多、非线性突出的问题,提出一种基于非线性流形学习的磨粒特征提取方法。该方法将磨粒特征重构到高维相空间中,利用局部线性嵌入算法提取出隐藏其中的低维流形,并根据数据流形的弯曲性和邻域参数的关系,实现高维相空间中局部邻域参数的自适应选取。实验结果表明,该方法有效地克服了主成分分析和核主成分分析方法的不足,提取的磨粒特征敏感性更好,从而提高了磨粒识别的精度。     

Subspace-based gearbox condition monitoring by kernel principal component analysis

Feature extraction is a key step for gearbox condition monitoring. The statistical features of the measured vibrations can be used to characterise gearbox conditions; however, their regularity and sensitivity in pattern space are different and may vary considerably under different operating conditions. This paper addresses the non-linear feature extraction scheme from the time-domain features with wavelet packet preprocessing and frequency-domain features of the vibration signals using the kernel principal component analysis (KPCA). Then two different KPCA-based subspace structures are constructed for representing and classifying the gearbox conditions. The proposed methods can extract the non-linear features of gearbox conditions using KPCA effectively, and perform conveniently with low computational complexity based on subspace methods. Experimental analysis with a fatigue test of an automobile transmission gearbox shows that the KPCA features outperform PCA features in terms of clustering capability, and both the two KPCA-based subspace methods can be effectively applied to gearbox condition monitoring.     

基于粒子群优化的核主元分析特征的提取技术

针对核主元分析在参数设置上的盲目性,提出应用粒子群优化算法优化核函数参数.并将核主元分析应用于特征提取中.首先建立核函数参数优化的数学模型,然后应用加速度自适应粒子群优化算法对其寻优,并通过Iris数据集进行仿真研究,验证其提取特征的有效性.将优化的核主元分析方法应用于齿轮箱典型故障的特征提取中,结果表明:参数优化的核主元分析能有效降低齿轮箱特征向量的维数,较线性主元分析取得更好的故障识别效果.该方法在机械故障信号的非线性特征提取中具有优势.