基于PCA和KNN的的电主轴故障诊断方法研究

电主轴是数控机床中重要的部件之一,其性能的优劣直接影响机床工况和加工零件质量。对电主轴进行故障诊断能很大程度上提高数控机床的加工精度,并且能够有效地增加其可靠性和安全性。在一般诊断过程中,原始数据的高维特征量处理较为困难。为顺应实际应用中对电主轴故障诊断的精度要求,提出一种基于主成分分析(PCA)与K最近邻(KNN)的电主轴故障诊断方法。此方法利用PCA对原始非线性时间序列数据的特征向量进行降维,并选取其中主成分特征向量。将得到的主成分特征向量作为KNN的输入进行故障分类。最后将该方法的预测结果与决策树和随机森林的分类结果进行对比,结果表明, PCA-KNN算法在故障分类精度上相较于其他两种算法有显著提高,是一种有效的电主轴故障分类方法。     

改进主成分分析的KNN故障检测研究

为提高过程故障检测的可靠性与准确性,提出改进的主成分分析的故障检测方法.首先通过K-means聚类算法将原始建模数据进行分类,然后在此基础上应用PCA在每个类中提取主成分,最后建立基于数据的KNN模型进行故障检测.研究结果应用于青霉素发酵过程,与传统的PCA、KNN算法进行比较,表明采用PC-KNN的故障检测结果更加准确,并且减少了数据量与计算时间,保证了过程的安全可靠运行.     

基于FS-PCA-MSCD的地铁轴承可视化诊断方法

针对地铁轴承的可视化故障诊断能力,本文提出了基于特征选择(Feature Selection,FS)与多尺度类距离(Multi Scale Class Distance,MSCD)的轴承故障诊断方法.首先对地铁齿轮箱轴承振动信号进行采集,获得不同故障类型的轴承故障样本集;然后基于FS方法提取故障样本中存在的敏感特征值,并利用获得的特征向量进行主成分分析(Principal Component Analysis,PCA),基于MSCD方法对各故障聚类进行再分类,提高故障类的可分性,获得可视化程度高的故障诊断结果.利用该方法对地铁齿轮箱轴承故障数据进行可视化故障诊断,诊断结果表明该方法能够提取敏感故障特征并获得具有较高故障可分性与可视化的诊断结果.该方法为地铁轴承在线故障分析能力提供了技术支持,在地铁运行维护与故障诊断方面均具有广阔的应用前景.     

基于PCA与GA-LM-BP神经网络的变压器故障诊断

研究基于油中溶解气体的变压器故障诊断问题.采用主成分分析与数据归一化方法,对变压器故障样本数据进行规范化处理,使其更具有代表性.对比主成分规范化前后的样本故障诊断结果,主成分分析能够消除特征气体样本数据间的相关性,使输入层样本数据更加符合神经网络工作机理.实验可得主成分规范化后的样本故障诊断结果优于未经过主成分分析规范化的故障诊断结果.在主成分分析对数据规范化的基础上,进一步改进BP神经网络算法,建立基于Levenberg-Marquardt算法的LM-BP神经网络故障诊断模型,改善了BP神经网络模型诊断精度不高,网络收敛困难以及易陷入局部极小值等问题.利用遗传算法对LM-BP神经网络的权值和阈值进行优化,然后再进行第2次神经网络训练,克服了LM-BP神经网络性能受初始权值和阈值限制的问题,使故障诊断正确率提高了6.16%.通过对441组样本数据中随机选取的376组训练样本和65组检验样本进行故障诊断实验,诊断正确率达到83%,表明所构建的基于PCA与GA-LM-BP神经网络的故障诊断方法是一种有效的变压器故障诊断方法.     

基于DCM-PCA和GA-BP的逆变器故障诊断

针对光伏并网三相电压型逆变器开关管的开路故障,提出深度级联模型（deep cascade mode,DCM）-主成分分析（principal component analysis,PCA）与遗传算法（genetic algorithm,GA）优化的BP神经网络结合的故障诊断方法。首先对逆变器的开路故障进行分析和仿真,确定三相电流作为故障信号,选择22类故障状态作为诊断对象,通过以稀疏表示分类（sparse representation based classififier,SRC）为基本操作单元的深度级联模型提取故障特征,DCM根据层次学习特性将故障特征分层,再由SRC部分得到不同故障的编码系数,并采用t分布—随机近邻嵌入（t-distributed stochastic neighbor embedding,t-SNE）方法验证了DCM具有较好的特征提取能力,通过PCA降低故障特征的冗余度、保留有价值的主成分提高网络映射能力,最后将故障特征向量作为GA-BP神经网络的输入信号实现对故障的诊断识别。通过仿真实验得到该方法的故障诊断准确率为95.64%,与DCM-PCA-BP、FFT-G...     

异步电机转子断条故障诊断研究

针对异步电机转子断条故障诊断中,原始信号包含的故障特征成分能量微弱,其提取过程较为繁琐,给断条故障的及时诊断带来不便,提出一种基于经验模态分解(Empirical Decomposition Mode,EMD)能量熵,主成分分析(Principal Component Analysis,PCA)和支持向量机(Support Vector Machine,SVM)相结合的新诊断方法,无须提取信号中的故障特征频率就能对电机断条故障做出准确的判断。该方法选取振动信号经过PCA处理后的EMD能量熵作为新的故障识别分类的特征量,然后支持向量机模型便可以根据断条故障前后振动信号EMD能量熵内在变化规律对转子正常和断条故障时的两种振动信号进行准确分类。通过实验分析表明,该方法操作便捷且简单,能够将转子正常和发生断条故障时的两种振动信号数据全部准确的识别分离,达到对转子断条故障进行有效识别诊断的目的,验证了方法的实用和有效性。     

基于GA-PSO优化BP神经网络的压缩机气阀故障诊断

针对压缩机气阀故障信号非平稳性、非周期性的特点,提出一种基于主成分分析（PCA）和GA-PSO优化BP神经网络的压缩机气阀故障诊断方法。首先利用小波包分解提取出气阀故障的特征;然后故障特征向量通过PCA降维,降低网络的规模和计算时间。针对标准BP算法收敛速度慢且易陷入局部极小的缺点,引入一种GA-PSO算法用于BP神经网络的参数优化过程。最后以往复压缩机阀盖的振动信号作为信号源,通过故障诊断仿真测试,验证了PCA和GA-PSO-BP神经网络对压缩机气阀故障诊断具有可行性和有效性。     

基于多尺度样本熵与PCA-FCM的滚动轴承故障诊断

针对滚动轴承故障诊断中多尺度样本熵特征向量维数高及其维度难以确定问题,提出了一种基于多尺度样本熵的主成分分析的模糊聚类故障识别模型。该模型首先使用多尺度样本熵方法提取滚动轴承正常、内圈故障、外圈故障、滚动体故障的振动信号特征。其次对多尺度样本熵特征向量使用主成分分析方法进行降维。然后通过累积贡献率来确定其特征向量的维度,并利用选定的特征向量属性作为模糊C均值聚类模型的输入并进行故障识别。最后通过分类系数和分类熵这两个聚类评价指标进行聚类效果的检验。实验结果表明该模型能较好的区分滚动轴承的正常与内圈故障、外圈故障、滚动体故障这4种信号。     

基于主成分分析和KNN混合方法的文本分类研究

特征选择和分类算法是文本分类中的两个关键技术,提出了基于主成分分析和KNN相结合的文本分类方法。该方法利用主成分分析对文本向量的高维空间进行特征选择,为克服因类别特征选择不当带来的不利影响,使用KNN算法进行分类可以最大程度地减少分类过程中的误差。为了验证方法的有效性,针对UCI标准数据集进行仿真实验。实验结果显示,PCA-KNN方法优于主成分分析和随机森林相结合的方法,能在一定程度上提高文本分类的精度。     

基于三域特征提取和WOA-ELM的滚动轴承故障诊断

为提高滚动轴承故障诊断率,提出一种基于三域特征提取和鲸鱼算法优化极限学习机(WOA-ELM)的滚动轴承故障诊断方法。首先,分别对滚动轴承的振动信号进行时域分析、频谱分析和小波包分解,构成故障特征向量集;其次,为避免维度过高影响后续模型诊断效率,应用流形学习中的局部保留投影对特征向量集进行降维并剔除冗余特征,获得对故障信息更具针对性的特征向量集;为解决极限学习机易陷入局部最优的问题,引入鲸鱼算法对极限学习机网络参数进行迭代寻优,提高ELM网络性能;最后,建立鲸鱼算法优化极限学习机的滚动轴承诊断模型,对故障进行分类和诊断。采用美国凯斯西储大学轴承数据对WOA-ELM进行训练和测试,实验结果表明,该方法能有效提高滚动轴承故障诊断率。     

一种非线性支持向量机决策树多值分类器

提出了一种非线性支持向量机决策树的分类算法．该算法通过核函数将支持向量机推广到非线性支持向量机,并在非线性映射后计算特征空间中类间相对分离度,得到类的易分程度．在支持向量机决策树分类中引入相对分离度,有效地降低累积误差,减少计算规模,从而提高分类精度与分类效率．实验结果表明,与一般的线性支持向量机决策树分类算法相比,该算法的分类精度有了明显提高,同时其分类时间也相应降低．     

基于主成分和支持向量机的降维和模式分类

首先讨论主成分分析和支持向量机的基本思想和实现过程,由于主成分分析PCA方法具备降维的功能,而支持向量机SVM方法又具有高分类准确率的优点,尝试将两者结合起来进行模式分类,最终经过实验验证获得成功.采用UCI数据库中的wine数据库分别对PCA、SVM、主成分和支持向量机结合的模式分类这三种方法进行实验仿真和比较,并取...     

Feature extraction for target identification and image classification of OMIS hyperspectral image

In order to combine feature extraction operations with specific hyperspectrai remote sensing information processing objectives, two aspects of feature extraction were explored. Based on clustering and decision tree algorithm, spectral absorption index (SAI), continuum-removal and derivative spectral analysis were employed to discover characterized spectral features of dif-ferent targets, and decision trees for identifying a specific class and discriminating different classes were generated. By combining support vector machine (SVM) classifier with different feature extraction strategies including principal component analysis (PCA), minimum noise fraction (MNF), grouping PCA, and derivate spectral analysis, the performance of feature extraction approaches in classification was evaluated. The results show that feature extraction by PCA and derivate spectral analysis are effective to OMIS (operational modular imaging spectrometer) image classification using SVM, and SVM outperforms traditional SAM and MLC classifiers for OMIS data.     

Intelligent prediction of slope stability based on visual exploratory data analysis of 77 in situ cases

Slope stability prediction research is a complex non-linear system problem. In carrying out slope stability prediction work, it often encounters low accuracy of prediction models and blind data preprocessing.Based on 77 field cases, 5 quantitative indicators are selected to improve the accuracy of prediction models for slope stability. These indicators include slope angle, slope height, internal friction angle, cohesion and unit weight of rock and soil. Potential data aggregation in the predicti...     

Fault diagnosis of a mine hoist using PCA and SVM techniques

A new method based on principal component analysis (PCA) and support vector machines (SVMs) is proposed for fault diagnosis of mine hoists. PCA is used to extract the principal features associated with the gearbox. Then, with the irrelevant gearbox variables removed, the remaining gearbox, the hydraulic system and the wire rope parameters were used as input to a multi-class SVM. The SVM is first trained by using the one class-based multi-class optimization algorithm and it is then applied to fault identification. Comparison of various methods showed the PCA-SVM method successfully removed redundancy to solve the dimensionality curse. These results show that the algorithm using the RBF kernel function for the SVM had the best classification properties.     

基于多特征融合的交通标志分类

为有效提高交通标志分类的准确度,提出一种融合全局特征和局部特征的多特征交通标志分类方法。首先提取能够描述标志图像内部纹理信息的局部二值模式(local binary pattern, LBP)特征,再提取能够表示标志图像形状信息的方向梯度直方图(histogram of oriented gradient, HOG)特征和描述图像粗略轮廓信息的全局Gist特征,然后采用线性组合方式,实现特征融合互补,并通过主成分分析(principal components analysis, PCA)法进行数据降维,最后采用支持向量机(support vector machine, SVM)分类器进行交通标志训练与识别。试验结果表明:相对于单一特征的交通标志分类方法,基于多特征融合的算法获得了更高的分类精确度,同时也满足实时性要求。     

基于EMD和SVM的数控机床主轴故障诊断

针对数控机床的主轴故障,将经验模态分解（EMD）方法和支持向量机（SVM）相结合,用于故障诊断。采用EMD将信号分解成具有不同特征尺度的本征式分量IMF,分析各IMF,通过求取均方根值提取各特征向量,然后将各特征向量输入支持向量机,建立故障分类器进行状态识别。实验结果表明,预测结果完全正确,该方法有效。     

一种改进的SVM决策树Web文本分类算法

SVM决策树能够较好地进行Web文本信息分类,在此基础上进一步结合遗传算法,将SVM决策树分类器的分类正确率作为GA适应度函数,对SVM决策树层次结构进行优化,在每一决策节点自动选择最优或近优的分类决策。实验结果表明,采用该方法进行多类分类,分类精度明显提高,体现了将遗传算法与SVM决策树结合的优越性。     

基于二维广义主成分分析的人脸识别

针对人脸识别中的特征提取问题，提出了一种基于二维广义主成分分析（2DIMPCA）的人脸识别方法.有别于传统的人脸识别算法需要将二维人脸图像矩阵压缩成一维向量，该方法直接采用二维图像矩阵来构建方差矩阵，通过在水平和垂直2个方向上顺序执行2次广义主成分分析（IMPCA）运算，消除了人脸图像行和列的相关性，大大压缩了特征的维数.选用二维最小近邻分类法进行分类，计算识别率.在AT&T人脸库以及Yale人脸库上的测试结果表明，与主成分分析（PCA）和IMPCA相比，该方法具有更高的识别率和更快的识别速度.     

基于小波包和KPCA的时频域故障检测方法

针对故障检测技术中存在的非线性和信息遗漏问题,在深入分析核主元分析法的基础上,提出了一种新的基于小波包和核主元分析法（KPCA）的时频域故障检测方法.利用小波包对原始信号进行预处理,提取包含时域和频域特征参数构成的特征向量,应用KPCA进行故障检测,同时对液压泵也进行了故障检测.试验结果表明,时域和频域特征参数构成的特征向量很好地反映了故障的特征,与PCA相比,KPCA的主元数目可选择范围宽,该方法对液压泵故障检测有良好的效果.