基于KPCA和PSOSVM的异步电机故障诊断.pdfVIP

第34卷第4期 振动、测试与诊断 V01．34 NO．4 2014年8月 Aug．2014 李 平， 李学军， 蒋玲莉， 曹宇翔 (湖南科技大学机械设备健康维护省重点实验室湘潭，411201) 摘要针对异步电机故障振动信号具有较强的非线性特征，而传统的线性分析方法易造成振动信号非线性成分的 丢失这一情况，提出一种核主元分析和粒子群支持向量机相结合的异步电机故障诊断方法。利用核函数实现输入 空间到高维特征空间的非线性映射以及对映射数据的主元分析，得到原始样本的非线性主元，实现特征提取和数 据压缩，将获得的核主元特征通过支持向量机进行模式识别。采用距离比值法和粒子群算法分别对核主元分析和 支持向量机的参数进行双重优化选择。实验结果表明，该方法能有效提取故障信号的非线性特征，具有较强的非 线性模式识别能力，相比主元分析和支持向量机方法，分类效果更好，实时性更强，可快速有效实现异步电机故障 诊断。 关键词核主元分析；支持向量机；异步电机；故障诊断 中图分类号TM343．2；TP306．3；THl65．3 核主元分析(kernel anal principlecomponent 引 言 不仅保持了PCA的各种数学与统计性质，同时具有 信号特征提取是异步电机状态监测与故障诊断 较强的处理非线性问题的能力。异步电机故障诊断 的关键技术，它关系到故障诊断的准确性和早期预 vec 属于典型的小样本问题，支持向量机(support 报的可靠性[1]。主元分析(principlecomponenttot analysis，简称PCA)。20是一种常用的特征提取方 题具有传统方法无可比拟的优势。笔者将KPCA 法。它通过提取原变量的主元特征，把多个变量化 和SVM结合应用于异步电机故障诊断，采用KP 为少数几个主元，这些主元是原变量的线性组合，尽 CA提取故障信号的非线性主元特征，以核主元特 可能多地表征了原变量的数据结构信息，且各主元 征子集作为SVM的训练样本，结合一对一分类法 所包含的信息互不重叠、互不相关口]。然而，主元分 构建多类SVM分类器，实现对异步电机故障的分 析是基于高斯统计假说的，从本质上讲是一种线性 类识别。 方法，处理非线性问题的效果较差。 异步电机是由多种机械系统和电气系统组成的 1 核主元分析与支持向量机基本原理 动力设备，内部存在多种场的耦合，如机电耦合和电 磁耦合等，是一个典型的多变量、强耦合、非线性系 1．1核主元分析与核参数寻优 统。在运行过程中，各部件相互关联、相互影响，当 某一个或几个部位发生故障时，由于系统内外的非 核主元分析H“3是主元分析的非线性推广，其基 线性因素常引起设备的非线性振动，采集的振动信号 本思想是通过非线性映射①将输入空问的数据样 具有较强的非线性特征。它携带了丰富的设备运行 本石，，Xz，…，石。映射到高维特