本文選題：核主元分析 + 支持向量機��； 參考：《振動.測試與診斷》2014年04期

【摘要】：針對異步電機故障振動信號具有較強的非線性特征,而傳統(tǒng)的線性分析方法易造成振動信號非線性成分的丟失這一情況,提出一種核主元分析和粒子群支持向量機相結合的異步電機故障診斷方法。利用核函數(shù)實現(xiàn)輸入空間到高維特征空間的非線性映射以及對映射數(shù)據(jù)的主元分析,得到原始樣本的非線性主元,實現(xiàn)特征提取和數(shù)據(jù)壓縮,將獲得的核主元特征通過支持向量機進行模式識別。采用距離比值法和粒子群算法分別對核主元分析和支持向量機的參數(shù)進行雙重優(yōu)化選擇。實驗結果表明,該方法能有效提取故障信號的非線性特征,具有較強的非線性模式識別能力,相比主元分析和支持向量機方法,分類效果更好,實時性更強,可快速有效實現(xiàn)異步電機故障診斷。
[Abstract]:The fault vibration signal of asynchronous motor has strong nonlinear characteristics, but the traditional linear analysis method is easy to cause the loss of the nonlinear component of the vibration signal. A fault diagnosis method for asynchronous motor based on kernel principal component analysis (KPCA) and particle swarm support vector machine (PSO) is proposed. Using kernel function to realize nonlinear mapping from input space to high dimensional feature space and principal component analysis of mapping data, the nonlinear principal components of original samples are obtained, and feature extraction and data compression are realized. The kernel principal feature is recognized by support vector machine (SVM). The distance ratio method and particle swarm optimization algorithm are used to select the parameters of kernel principal component analysis and support vector machine respectively. The experimental results show that this method can extract the nonlinear features of fault signals effectively and has a strong nonlinear pattern recognition ability. Compared with principal component analysis and support vector machine, the classification effect is better and the real time is better. The fault diagnosis of asynchronous motor can be realized quickly and effectively.
【作者單位】： 湖南科技大學機械設備健康維護省重點實驗室;
【基金】：國家高技術研究發(fā)展計劃(“八六三”計劃)資助項目(2013AA041105) 國家自然科學基金資助項目(51105138) 湖南省教育廳資助項目(11A034) 湖南省科技計劃資助項目(2012GK3100) 湖南省高�？萍紕�(chuàng)新團隊支持計劃資助項目
【分類號】：TM343

【相似文獻】

相關期刊論文 前4條

1 畢小龍;王洪躍;司風琪;徐治皋;;基于KPCA和PNN的高加系統(tǒng)故障診斷[J];汽輪機技術;2006年05期

2 李巖;王東風;韓璞;;基于核主元分析和多級神經(jīng)網(wǎng)絡集成的汽輪機故障診斷[J];電力科學與工程;2009年06期

3 黃保海;李巖;王東風;韓璞;;基于KPCA和KFCM集成的汽輪機故障診斷[J];電力自動化設備;2010年07期

4 張曦;陳世和;朱亞清;閻威武;;基于KPCR的發(fā)電機組參數(shù)預測與估計[J];電力自動化設備;2010年10期

，

本文編號：1841583