局部切空间排列和支持向量机的故障诊断模型.pdfVIP

第33卷 第 l2期 仪 器 仪 表 学 报 V01．33No．12 2012年 12月 ChineseJournalofScientificInstrument Dec．2012 局部切空间排列和支持 向量机的故障诊断模型术 万 鹏 ，王红军 ，徐小力 (1北京信息科技大学现代测控技术教育部重点实验室 北京 100192； 2北京信息科技大学机电工程学院 北京 100192) 摘 要 ：提出了一种非线性流形学习和支持向量机的故障诊断模型。基于机 电系统振动信号时域与频域的20个特征参数构 建高维特征空间，利用局部切空间排列的非线性流形学习算法提取出隐藏其中的低维流形，网格搜索算法进行维数和邻域点参 数的优化，实现高维相空间中局部邻域参数的自适应选取，获得机电系统的故障特征。利用 折交叉验证和一对一法构造支 持向量机多类故障分类器，采用径向基核函数支持向量机进行机电系统的故障诊断。应用于转子试验台的3种故障状态的识 别并与其他故障诊断方法进行分析比较，结果表明基于局部切空间排列和支持 向量机的机电系统故障诊断模型诊断精度可达 到96．6667％，可以有效提取故障的敏感特征并解决机电系统故障样本缺乏的问题。 关键词：机电系统；故障诊断；局部切空间排列算法 ；支持向量机 ；网格搜索 中图分类号：TP206．3 文献标识码：A 国家标准学科分类代码：460 Faultdiagnosismodelbasedonlocaltangentspace alignmentand supportvectormachine WanPeng ，WangHongjun ，XuXiaoli (JKeyLaboratoryofModernMeasurementControlTechnology，胧nf ofEducation，BISTU，Beijing100192，China； 2School0厂MechanicandElectricEngineering，BISTU，Beijing100192，China) Abstract：Afaultdiagnosismodelbasedonnonlinearmanifoldlearningandsuppo~vectormachine(SVM)isputfor- wrad．Thehighdimensionalcharacteristicspaceisconstructedbasedon20 characteristicparametersofthevibrationsig- nalsfrom machineryandelectronicsystem intimeandrfequencydomains．Thelower-dimensional manifoldfeaturesofthe systemraeextractedusingthenonlinearmanifoldlearningalgorithmbasedonlocaltnagentspacealigmnent(LTSA)． Grid-searchalgorithm isusedtooptimizethenumberofdimensionsandnearestneighborhoodpointpraameterstoachieve theself-adoptiveselectionoflocal neraestneighborhoodparameters inhighdimensional phasespace．Th entheessential faultfeaturesofhtemachinery andelectronicsystem areobtained．Th emulti-faultclassifiers ofSVM areconsturctedusing k-foldcrossvalidationandone—against—onemet