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。     

联轴器在透平机械中的应用

简介了透平压缩机常用的几种联轴器的特点，重点介绍了膜片式联轴器的优点及安装时的注意事项。     

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。     

基于稀化核函数主元分析的机械故障诊断方法研究

提出一种基于稀化核函数主元分析的机械故障诊断新方法.该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,引入可变权值对高维空间中的映射数据的协方差矩阵进行稀化,应用似然估计得到优化权值,再作主元分析,提取其非线性特征,对机械故障模式进行识别.提出的方法继承核函数主元分析的优良性质,同时又能保证在识别效率不降低下的情况下有效提高故障识别速度.仿真和实验结果表明,稀化核函数主元分析和核函数主元分析方法都能得到很好的识别效果.然而,稀化核函数主元分析由于减少了核矩阵的计算量,因而模式识别速度大大加快.     

类均值核主元分析法及在故障诊断中的应用

核主元分析在应用过程中,通常采用累积贡献率法确定核主元个数,舍弃一些贡献率较小的核主元,导致数据样本部分信息的损失,影响故障诊断的效果。针对这一情况,提出一种类均值核主元分析法,它将输入空间的数据样本映射到高维特征空间后,先求出各类映射数据的类均值矢量,然后在类均值矢量张成的子空间上对类均值矢量进行主元分析,利用构建的类均值核矩阵,建立类均值核主元算法。由类均值核主元形成的特征矢量包含原数据样本的全部变异信息,并且维数低于故障类别数,能够在类均值矢量基础上实现无信息损失的数据降维。将改进算法应用于滚动轴承故障诊断,结果表明,它具有比传统核主元分析更强的综合原始变量信息的能力,能更好地提取数据样本的类别信息,快速实现故障模式的准确识别。     

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。     

透平机械动叶片的振动状态非接触测量分析

现代工业和生活中广泛使用的透平机械正向着大功率,高负载的趋势发展.透平机械中的叶片长度和叶尖线速度都不断提高.准确地测量叶片实际振动的频率和振幅已成为透平机械的一个重要研究方向.以间断相位法为理论基础的非接触式测量方法具有很强的实际应用价值.利用间断相位法可以得到叶片低阶振动的许多特性,对叶片的设计和安全运行具有很重要的意义.     

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。     

基于核函数的SOM网络在齿轮箱状态监测中的应用

基于支持向量机用内积运算实现非线性变换的思想，提出基于核函数的自组织映射方法。该方法借助于核函数在原输入空间构造非线性映像空间的自组织竞争评价函数及权值调整方法，从而更好地解决输入向量的聚类问题。研究该方法在齿轮箱状态监测中的应用，分析表明，它可以清楚地将齿轮箱不同状态区分开，并且特征数据映象点在网络输出层的轨迹变化趋势直观反映齿轮箱工作状态的变化，便于及时监测到齿轮箱早期故障及变化趋势，与标准self-or-ganizing maps(SOM)相比，该方法性能更稳定，效果更好。     

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。     

多传感器主元方向和神经网络的状态识别方法

提出了一种基于特征集第一主元方向及其信息保留率的状态识别方法.首先计算得到多路信号的特征集,继而计算该特征集的第一主元方向在特征集所在的高维空间中的方向角向量,并以该方向角向量和第一主元方向上的信息保留率作为状态识别的新特征集.提出了一种较为宽泛的神经网络收敛准则和判据方法,该方法中网络输出节点数为1,并结合非对称交叉式遗传算法作为网络训练中寻优方法,可有效实现网络的快速训练.试验表明.所提方法可对高维多元数据进行高度抽象,且计算简便,识别准确率较高,泛化能力较强,具有一定的应用价值.     

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.     

基于核主元约简与半监督核模糊聚类的车辆行驶工况判别

为有效利用汽车行驶工况中与类别属性间的统计特征,提高汽车行驶工况判别的准确性与快速性,首先选择车速和踏板信号的数据信息构建特征集,利用相关性分析和核主元分析对特征集中能敏感反映工况类别的特征数据信息进行二次特征提取,按累计贡献率大于90%的标准进行主要特征量的选择,实现输入变量的二次约简;利用小波核函数的非线性映射能力构建半监督核模糊C均值聚类方法进行车辆行驶工况的判别。通过长春某混合动力公交车试验结果表明,该方法更全面准确地反映了工况特性,有效降低了输入特征参数的维数,更加准确有效地提取了不同工况条件下汽车行驶状态的数据特征,通过半监督核模糊C均值聚类算法中加入少量的训练样本来引导聚类过程,聚类精度可达到98.75%。     

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。     

主元分析方法在航空发动机故障检测与诊断中的应用

针对综合参数法计算的表征发动机整体性能的综合指数不能有效地检测故障,无法识别故障变量以及需要较多的故障样本,本文提出了一种基于主元分析模型的航空发动机故障检测与故障变量识别方法。该方法不需要故障样本数据,利用统计量T2和平方预测误差实现故障检测,利用贡献率图辨识故障变量。通过对某型涡扇发动机进行实例验证分析,表明该方法能够有效地检测到早期潜在故障,准确地识别故障变量,极大地方便了故障的早期发现和排除。     

主成分分析方法在轿车装配尺寸偏差中的应用研究

在分析轿车车体装配过程误差的基础上，根据车体制造从零件到白车身的装配过程知识，建立了白车身装配过程的树结构，并应用主成分分析方法从大量的CMM测量数据中将零件偏差分离为相互独立的几何偏差模式。针对整车总装过程中出现后桥装配干涉的实际案例，利用CMM测量和传统样架检测，运用主成分分析方法对与案例相关零部件的CMM测量数据进行了统计分析与处理，最终实现了对后桥装配干涉案例的误差源诊断，结果表明在冲压过程形成的零件偏差将保留于下游的装配过程中。