基于人工蜂群算法的KPCA特征优化提取

采用KPCA进行特征提取时,其核函数参数对轴承故障特征的可分性影响很大,直接影响轴承故障诊断的准确率,而使最优的核参数难以选取。针对这一问题,采用人工蜂群算法与KPCA相结合,提出了基于人工蜂群算法的KPCA核参数优化选取方法,并实现了滚动轴承故障特征的优化提取。试验结果表明,该方法能够最大程度提高故障样本的可分性和SVM模型的分类精度;同时通过对比分析遗传算法、粒子群算法及人工蜂群算法的优化结果,验证了该方法具有更好的寻优能力。     

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。     

核主元分析中核函数参数选优方法研究

提出一种基于矩阵相似度的核函数参数选优方法．首先给出一种具有较好分类能力的核函数矩阵。然后．利用矩阵间的相似度量关系，在一定范围内寻找能近似此矩阵的核函数参数值。将该方法应用于直升机齿轮箱齿轮故障特征提取中，结果显示经过核函数参数选优的KPCA取得了较好的识别效果。     

基于粒子群优化KFCM的风电齿轮箱故障诊断

针对基于有监督学习的方法无法识别未知类别故障,提出了一种基于粒子群优化模糊核聚类(kernel fuzzy c-means clustering,简称KFCM)的风电机组齿轮箱故障诊断方法。首先,建立以训练样本分类错误率为目标的聚类模型,利用KFCM对训练样本进行分类;然后,以初始聚类中心和核函数参数作为优化变量,利用粒子群优化算法求解聚类模型,获得最优分类结果下每个类的类心;最后,根据新样本与各类心之间的核空间样本相似度判断新样本属于已知故障或者未知故障。以某风电机组齿轮箱为例,对提出方法的有效性进行试验验证。结果表明,与传统基于有监督学习的神经网络方法相比,该方法能有效诊断已知和未知类别的故障。     

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。     

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。     

基于SFLA-BP模型和KPCA特征提取的行星齿轮箱故障诊断

混合蛙跳算法(SFLA)是将竞争进化策略和有限度随机搜索有机结合的群智能优化算法,已应用于各种优化问题。分析混合蛙跳算法用于全局优化问题的优势,并建立了基于混合蛙跳优化BP神经网络(SFLA-BP)算法模型,进行了仿真研究。以行星齿轮箱为工程实例,分析了行星齿轮故障信号传递路径复杂,相互耦合,呈现非线性的特性。应用核主元分析(KPCA)提取了时、频域敏感的特征参数,特征属性由27维压缩到9维,并建立了结构为9-14-4的神经网络故障诊断系统。充分利用混合蛙跳算法全局搜索的优势实现了行星齿轮不同磨损程度的故障诊断。诊断结果表明:SFLA-BP模型与BP神经网络相比,整体输出误差较小,诊断的准确率提高了12. 5%,对不同损伤程度的故障可以达到准确的识别效果。     

基于ACPSO-SVDD的齿轮箱故障异常检测方法研究

针对设备关键部件异常检测中故障数据缺失以及故障程度划分问题,对齿轮箱的各种类型故障进行了异常检测研究,提出了基于自适应混沌粒子群优化的支持向量数据描述方法。该方法引入了自适应混沌理论,对传统粒子群优化算法进行了改进,增强了粒子跳出局部最优解的能力,提高了粒子群体对最优解的全局搜索能力;采用ACPSO对SVDD的惩罚因子以及核参数进行了参数寻优,并应用于齿轮箱减速器的异常检测中。研究结果表明:ACPSO-SVDD异常检测方法不仅能够对不同类型的故障异常进行准确检测,而且能够对故障损伤程度进行量化分析。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

基于LMD云模型与PSO-KELM的齿轮箱故障诊断

由于齿轮箱故障振动信号具有非平稳性与不确定性的特点，导致齿轮箱故障诊断精度较低。针对该问题提出一种基于局部均值分解（LMD）云模型特征提取结合粒子群优化（PSO）核极限学习机（KELM）的齿轮箱故障诊断方法。首先，将故障振动信号用LMD分解得到若干PF分量，并利用相关系数原则筛选出相关性较高的PF分量；其次，在云模型中输入筛选后的PF分量，采用逆向云发生器对特征向量进行提取并输入到PSO-KELM中进行故障诊断；最后，利用QPZZ-Ⅱ实验台齿轮箱实测数据对该方法进行了性能分析。结果表明，该方法识别精度为97.65%，与多种方法进行对比，该方法具备最佳识别性能。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

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。     

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。     

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。     

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。     

指数加权动态核主元分析法及其在故障诊断中应用

核主元分析法能充分利用核函数来解决非线性问题,具有很好的非线性逼近能力,但传统的核主元分析不能处理动态问题。在分析核主元分析法的基础上,提出一种新的指数加权核主元分析算法,建立一个多变量加权自回归统计核主元模型,选择Q统计量来判断系统是否发生故障,给出指数加权核主元分析法诊断故障的具体计算步骤。对液压泵进行了试验,利用小波包对液压泵端盖的振动信号进行处理,提取由13个时域和时频域特征量构成的故障特征矢量。试验结果表明,与传统的核主元分析法相比,新方法能实时更新主元模型和控制限Qa,合理地利用实时动态信息,能较好地处理动态问题,通过计算比较选择合适的加权因子,能获得良好的故障诊断效果,该方法是可行而有效的。