共查询到10条相似文献,搜索用时 93 毫秒
1.
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。 相似文献
2.
核函数主元分析及其在齿轮故障诊断中的应用 总被引:19,自引:2,他引:17
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。 相似文献
3.
传统振动测试中传感器一般安装在靠近振源位置,此类方式采集的振动信号的故障特征相对明显,但实际应用中常存在传感器安装不便的矛盾。本文提出基于基座的故障诊断方法,以多个传感器采集的基座上的微弱故障特征信号为原始信号,通过核主元分析(kernel principal component analysis,KPCA)进行信息融合,利用支持向量机(support vector machine,SVM)进行模式识别。文章还探析了核参数选取对KPCA性能的影响,最后实例验证了基于基座故障诊断方法的可行性。 相似文献
4.
5.
核函数主元分析及其在故障特征提取中的应用 总被引:1,自引:0,他引:1
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。 相似文献
6.
针对无先验知识模式下机械故障特征的选择、融合存在盲目性、片面性,提出了一种基于特征评估与核主分量分析的齿轮故障特征提取与分类方法。该方法采用小波包分解对原始信号进行分解,分别提取原始信号和各分解信号的时域指标组成联合特征,然后确定了稳定性门限值与敏感性筛选比例因子,采用稳定性与敏感性联合评估方法对特征进行评估,并利用核主分量分析方法提取剩余联合特征中的非线性特征,实现不同齿轮故障状态的分类。实验结果表明,这种集成了小波包分解、特征联合评估方法和核主分量分析的齿轮故障分类方法能够更好地提取齿轮故障的特征信息,从大量的故障特征中剔除不稳定与不敏感的劣质特征,明显改善了核主分量分析提取齿轮故障非线性特征的效果。 相似文献
7.
8.
针对环卫车辆驱动电机故障特征不明显且存在大量干扰因素等问题,为了提高故障诊断准确率,提出一种基于核主元分析和粒子群优化支持向量机(SVM)的故障诊断方法。该方法利用在电机故障状态下的振动信号构建时频域混合特征集,通过核主元分析,对特征集内的特征量进行降维处理;通过选择主元特征和利用粒子群算法,优化SVM的主要参数,将得到的特征量输入到优化后的SVM中进行计算,并与未进行核主元分析的SVM进行对比分析。计算结果表明:该方法能够显著提高扫路车驱动电机的故障诊断准确率。 相似文献
9.