資源描述：
《基于KPCA和SVM的電梯故障診斷系統(tǒng).pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、機(jī)械設(shè)計(jì)與制造第1期l96MachineryDesign&Manufacture2010年1月文章編號(hào)：1001—3997(2010)01—0196一O2基于KPCA和SVM的電梯故障診斷系統(tǒng)木黃水霞張廣明邱春玲黃凱(南京工業(yè)大學(xué)自動(dòng)化學(xué)院，南京210009)(江蘇省特種設(shè)備安全監(jiān)督檢驗(yàn)研究院，南京210009)TheelevatorfaultdiagnosissystembasedonKPCAandSVMHUANGShui—xia，ZHANGGuang—ming，QIUChun—ling，HUANGKai(NanjingUniversityofTechnology，Nanjing210009
2、，China)(JiangsuProvinceSpecialEquipmentsafetySupervisionInspectionInstitute，Nanjing210009，China)∥■；*■{t罾E坩g■∥∥辨一∥#㈣■■期P●#■耕∥■}∞P#1※■}蕾■；#■#料g●gg■#【摘要】針對(duì)電梯故障的非線性特性及故障特征不明顯，傳統(tǒng)方法分析后留下的顯著成分不能反映這種非線性屬性等問題，提出了核主元分析(KPCA)和支持向量機(jī)(SVM)相結(jié)合的故障診斷方法。利用KPCA在高維空間具有較強(qiáng)的特征選擇能力和支持向量機(jī)具有較強(qiáng)的辨識(shí)率的特點(diǎn)，通過核主元分析法提取電梯故障特征，以達(dá)到降維作用
3、，再利用支持向量機(jī)分類模型進(jìn)行故障辨識(shí)。實(shí)驗(yàn)證明用此方法進(jìn)行電梯的故障診斷具有更}夾更好的診斷效果。關(guān)鍵詞：KPCA；SVM；故障診斷；電梯；故障辨識(shí)【Abstract】Generally，theelevatorfailuresarenon—lineatandinvisible．Aimedtosolvetheproblemthatthetraditionalmethodcan’treflectthisqualityofnon-linear，proposethemethodusingKPCAandSVM．KPCAhasgreatabilityin_廠eaturesselectionandSVMh
4、asgoodabilityofidentifcation．FirstextracttheelevatorfauhfeatureusingKPCAinordertoreducethedimensionoffaultdatasamplesandthenuseSVMtoidentifytheelevatorultbasedontheircharacteristics．Experimentsprovethatithasabetterandquickerefectofdiagnosisbyusingthismethod．Keywords：KPCA；SVM；Faultdiagnosis；Elevator；
5、Faultidentify中圖分類號(hào)：TH12，TP274文獻(xiàn)標(biāo)識(shí)碼：A由(3)式和(4)式可得：1核主元分析lAKa=K2a(5)核主元分析是一種非線性方法，它引入某種非線性映射將原可以證明日，KPCA的載荷向量為：空間中的非線性問題轉(zhuǎn)化為映射空間中的線性問題。這一非線性N映射是在原空間中利用核函數(shù)內(nèi)積運(yùn)算實(shí)現(xiàn)的，無需關(guān)注具體的=a(虢)(6)z；l映射形式，因此稱作核函數(shù)主元分析，通過選取不同的核函數(shù)，可任一向量的主元t可通過(·)映射到特征空間的特征以處理大量的非線性問題[51。矢量上，其中k=l?P(p為選取的核函數(shù)主元數(shù))：在輸入空間中，變量矩陣的各變量之間存在非線性關(guān)系，N“=()
6、>=∑<(戤)，()>(7)原空間R中的向量瓢R，k=l?Ⅳ通過非線性映射(·)映射到高維特征空問()=(()，()，?，(艦))，對(duì)其進(jìn)行主元分核函數(shù)的形式一般可選擇為：(x,y)：。p(一_l!x-7I1~)，。是選C析。假?zèng)]映射數(shù)據(jù)為零均值，則特征空間中映射數(shù)據(jù)(≈)的協(xié)方定的參數(shù)。差矩陣可表示為：f2支持向量機(jī)C=l／l∑()()，(1)系統(tǒng)采用二叉樹算法構(gòu)建支持向量機(jī)故障分類器模型。其具』=1體算法如下：對(duì)協(xié)方差矩陣C進(jìn)行特征向量分析：對(duì)于n類訓(xùn)練樣本，訓(xùn)練n一1個(gè)支持向量機(jī)，第1個(gè)SVM以A=CV(2)第1類樣本為正的訓(xùn)練樣本，將第2，3，?，／"t類訓(xùn)練樣本作為負(fù)其中特征值A(chǔ)>-
7、0，特征向量V∈(·o將每個(gè)投影與該式求的訓(xùn)練樣本訓(xùn)練SVM1，第i個(gè)支持向量機(jī)以第i類樣本為正的內(nèi)積可得：訓(xùn)練樣本，將第i+1，i+2，?，n類訓(xùn)練樣本作為負(fù)的訓(xùn)練樣本訓(xùn)練A(()-V)=(()·CV)k=l，?，l(3)SVM。，直到第n一1個(gè)支持向量機(jī)將以第n一1類樣本作為正樣本，存在系數(shù)Ot使得：f以第n類樣本為負(fù)樣本訓(xùn)練SVM二又樹方法可以避免傳統(tǒng)方=∑d()(4)J=I法的不可分情況，
