基于kpca―rvm的转子故障诊断

《基于kpca―rvm的转子故障诊断》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于KPCA―RVM的转子故障诊断摘要：针对转子故障振动信号特点，提出了一种基于核主成分分析及相关向量机（KPCA-RVM）的故障诊断方法。首先对故障信号用核主成分分析的方法进行降维处理以去除冗余信息以提高对数据进行计算处理的速度及正确率。之后使用相关向量机的方法对特征信息进行分类识别，以识别转子的正常、不对中、不平衡、碰磨以及松动五种不同运行状态。最后将本文所使用的方法与3种其他常见模型方法进行对比，结果表明本方法在转子故障识别上具有良好的可行性以及更好的实用性。中国7/vie　　Abstract：Baseonthecharacteristicsofthero

2、torfault，amethodbasedonKernelPrincipalponentAnalysisandRelevantVectorMachinetodiagnoserotorfaulthasbeenproposed.Inthisessay，firstlyKPCAhasbeenusedtoreducethedimensionoffaultsignalstoremoveredundancyinformationandimprovetheaccuracyandputationspeed，thenRVMhasbeenusedtodiagnosefaultstat

3、ealcondition，misalignment，unbalance，frictionandlooseness，finally，threeothermethodshavebeenusedtopriseethodethodinrotorfaultdiagnosis.　　�P键词：故障诊断；转子；核主成分分析；相关向量机　　Key　　中图分类号：U226.8+1文献标识码：A：1006-4311（2017）15-0154-03　　0引言　　转子是旋转机械中的核心部件之一，典型的常见转子故障包括松动、碰磨、不对中以及不平衡等，当这些故障出现时，将对机械设备的正常运行

4、造成很大负面影响甚至可能造成运行事故，因此当故障正在或者即将发生时，及时准确的故障诊断具有十分重要的意义。　　通常情况下，转子故障诊断依靠分析转子振动信号，这一信号常包含其他信号干扰，并且在故障的发生后可能会对整体机械诱发出新的振动[1]。因此使用主成分分析（PrincipalponentAnalysis）方法对获取到的信号进行降维运算以获取更准确数据。但传统PCA方法很难实现在不同尺度下的非线性特征提取，这对降维结果的精确性造成不少影响，因此本文使用基于核的主成分分析（KernelPrincipalponentAnalysis）方法对数据特征进行处理。　　常见

5、的模式识别分类方法包括人工神经网络（ArtificialNeuroNetachine，SVM）等，这些方法在故障诊断中都有大量应用，但同时这些方法也有各自的局限性使其在一定程度上对其在工程上的实际应用带来不稳定影响。相关向量机（RelevanceVectorMachine，RVM）方法与前者相比具有参数易设置、模型结构易于确定等优点，故而本文使用这一方法进行故障分类。　　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，被广泛应用于特征提取、有损数据压缩、降维及数据可视化中[2]。PCA属

6、于一种线性的数据降维方法，它可以实现在对一个含有大量相关数据的数据集进行降维处理的同时尽可能多的保持数据内部的差异性，这为后续的分类过程中能得到更准确的分类结果是十分有益的。　　在对数据进行处理时，首先需要得到采样数据组成的矩阵，其中包括个采样点，如下所示：　　2.3RVM的“二叉树”分类　　由于相关向量机是一种二元分类方法，因而在故障诊断中需要使用多模式分类的方法以实现多分类问题的解决。常见的组合分类方法包括“一对余”（OneAgainstRest，OAR），“一对一”（OneAgainstOne，OAO），“二叉树”（BinaryTree，BT）法和“有向无

7、环图”（DirectAcyclicGraph，DAG）法[7]。二叉树方法是很常用的一种决策树方法，相比于其他类型的分类器，“二叉树”分类方法具有构造的RVM二分类器数量少，训练所需要的样本数量相对较少，测试时间相对较短的优点[10]。在本文中使用了如图1所示的多分类器组合结构。　　2.4故障诊断模型　　结合转子故障诊断的实际需求及以上理论基础，提出了如图2所示的故障诊断模型。　　首先，获取转子的振动信号，之后将振动信号中有意义部分的特征进行提取，然后将获取到的不同运行状态（正常或故障）的故障信息进行KPCA降维。