基于kpca―rvm的轉(zhuǎn)子故障診斷

《基于kpca―rvm的轉(zhuǎn)子故障診斷》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、基于KPCA―RVM的轉(zhuǎn)子故障診斷摘要：針對(duì)轉(zhuǎn)子故障振動(dòng)信號(hào)特點(diǎn)，提出了一種基于核主成分分析及相關(guān)向量機(jī)（KPCA-RVM）的故障診斷方法。首先對(duì)故障信號(hào)用核主成分分析的方法進(jìn)行降維處理以去除冗余信息以提高對(duì)數(shù)據(jù)進(jìn)行計(jì)算處理的速度及正確率。之后使用相關(guān)向量機(jī)的方法對(duì)特征信息進(jìn)行分類識(shí)別，以識(shí)別轉(zhuǎn)子的正常、不對(duì)中、不平衡、碰磨以及松動(dòng)五種不同運(yùn)行狀態(tài)。最后將本文所使用的方法與3種其他常見(jiàn)模型方法進(jìn)行對(duì)比，結(jié)果表明本方法在轉(zhuǎn)子故障識(shí)別上具有良好的可行性以及更好的實(shí)用性。中國(guó)7/vie　　Abstract：Baseonthecharacteristicsofthero

2、torfault，amethodbasedonKernelPrincipalponentAnalysisandRelevantVectorMachinetodiagnoserotorfaulthasbeenproposed.Inthisessay，firstlyKPCAhasbeenusedtoreducethedimensionoffaultsignalstoremoveredundancyinformationandimprovetheaccuracyandputationspeed，thenRVMhasbeenusedtodiagnosefaultstat

3、ealcondition，misalignment，unbalance，frictionandlooseness，finally，threeothermethodshavebeenusedtopriseethodethodinrotorfaultdiagnosis.　　?P鍵詞：故障診斷；轉(zhuǎn)子；核主成分分析；相關(guān)向量機(jī)　　Key　　中圖分類號(hào)：U226.8+1文獻(xiàn)標(biāo)識(shí)碼：A：1006-4311（2017）15-0154-03　　0引言　　轉(zhuǎn)子是旋轉(zhuǎn)機(jī)械中的核心部件之一，典型的常見(jiàn)轉(zhuǎn)子故障包括松動(dòng)、碰磨、不對(duì)中以及不平衡等，當(dāng)這些故障出現(xiàn)時(shí)，將對(duì)機(jī)械設(shè)備的正常運(yùn)行

4、造成很大負(fù)面影響甚至可能造成運(yùn)行事故，因此當(dāng)故障正在或者即將發(fā)生時(shí)，及時(shí)準(zhǔn)確的故障診斷具有十分重要的意義?！　⊥ǔＧ闆r下，轉(zhuǎn)子故障診斷依靠分析轉(zhuǎn)子振動(dòng)信號(hào)，這一信號(hào)常包含其他信號(hào)干擾，并且在故障的發(fā)生后可能會(huì)對(duì)整體機(jī)械誘發(fā)出新的振動(dòng)[1]。因此使用主成分分析（PrincipalponentAnalysis）方法對(duì)獲取到的信號(hào)進(jìn)行降維運(yùn)算以獲取更準(zhǔn)確數(shù)據(jù)。但傳統(tǒng)PCA方法很難實(shí)現(xiàn)在不同尺度下的非線性特征提取，這對(duì)降維結(jié)果的精確性造成不少影響，因此本文使用基于核的主成分分析（KernelPrincipalponentAnalysis）方法對(duì)數(shù)據(jù)特征進(jìn)行處理?！　〕Ｒ?jiàn)

5、的模式識(shí)別分類方法包括人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuroNetachine，SVM）等，這些方法在故障診斷中都有大量應(yīng)用，但同時(shí)這些方法也有各自的局限性使其在一定程度上對(duì)其在工程上的實(shí)際應(yīng)用帶來(lái)不穩(wěn)定影響。相關(guān)向量機(jī)（RelevanceVectorMachine，RVM）方法與前者相比具有參數(shù)易設(shè)置、模型結(jié)構(gòu)易于確定等優(yōu)點(diǎn)，故而本文使用這一方法進(jìn)行故障分類。　　1特征提取　　1.1PCA方法基本原理　　主成分分析（Principalponentanalysis，PCA）又名主元分析，被廣泛應(yīng)用于特征提取、有損數(shù)據(jù)壓縮、降維及數(shù)據(jù)可視化中[2]。PCA屬

6、于一種線性的數(shù)據(jù)降維方法，它可以實(shí)現(xiàn)在對(duì)一個(gè)含有大量相關(guān)數(shù)據(jù)的數(shù)據(jù)集進(jìn)行降維處理的同時(shí)盡可能多的保持?jǐn)?shù)據(jù)內(nèi)部的差異性，這為后續(xù)的分類過(guò)程中能得到更準(zhǔn)確的分類結(jié)果是十分有益的?！　≡趯?duì)數(shù)據(jù)進(jìn)行處理時(shí)，首先需要得到采樣數(shù)據(jù)組成的矩陣，其中包括個(gè)采樣點(diǎn)，如下所示：　　2.3RVM的“二叉樹(shù)”分類　　由于相關(guān)向量機(jī)是一種二元分類方法，因而在故障診斷中需要使用多模式分類的方法以實(shí)現(xiàn)多分類問(wèn)題的解決。常見(jiàn)的組合分類方法包括“一對(duì)余”（OneAgainstRest，OAR），“一對(duì)一”（OneAgainstOne，OAO），“二叉樹(shù)”（BinaryTree，BT）法和“有向無(wú)

7、環(huán)圖”（DirectAcyclicGraph，DAG）法[7]。二叉樹(shù)方法是很常用的一種決策樹(shù)方法，相比于其他類型的分類器，“二叉樹(shù)”分類方法具有構(gòu)造的RVM二分類器數(shù)量少，訓(xùn)練所需要的樣本數(shù)量相對(duì)較少，測(cè)試時(shí)間相對(duì)較短的優(yōu)點(diǎn)[10]。在本文中使用了如圖1所示的多分類器組合結(jié)構(gòu)。　　2.4故障診斷模型　　結(jié)合轉(zhuǎn)子故障診斷的實(shí)際需求及以上理論基礎(chǔ)，提出了如圖2所示的故障診斷模型。　　首先，獲取轉(zhuǎn)子的振動(dòng)信號(hào)，之后將振動(dòng)信號(hào)中有意義部分的特征進(jìn)行提取，然后將獲取到的不同運(yùn)行狀態(tài)（正常或故障）的故障信息進(jìn)行KPCA降維。