基于测地线距离的核主元分析在齿轮泵故障识别中应用

摘要/Abstract

摘要： 针对传统的高斯径向基核函数中采用欧氏距离计算方法难以完全反映非线性振动数据样本点与点之间位置关系的问题，提出了改进的核主元分析方法.在高斯径向基核函数中使用测地线距离代替欧氏距离，建立基于样本类内散度和类间距的评价函数，运用遗传算法优化测地线距离中邻近点参数k以及高斯径向基核函数中参数σ.对采集的齿轮泵不同状态的振动数据进行经验模态分解，从分解的各阶本征模态分量和残余分量中提取10个无量纲参数构成原始特征参数集；运用优化后的核函数对原始特征参数集进行核主元分析.实验结果表明，改进的核主元分析方法取得了较好的识别效果.

关键词: 核主元分析, 高斯径向基核函数, 测地线距离, 遗传算法, 状态识别

Abstract: As traditional Gauss radial basis kernel which adopts the method of calculating Euclidean distances can not describe completely the relationship between the nonlinear vibration sample data, an improved kernel principal component analytic method was proposed. The method substitutes geodesic distance for Euclidean distance in Gauss radial basis kernel, establishes an appraisement function based on scatter of the sort and space between different sorts, and then uses genetic algorithm (GA) to optimize the k parameter within geodesic distance and delta parameter within Gauss radial basis kernel. The gear pump vibration output signals are decomposed into a number of intrinsic mode function (IMF) components and a residue component, and the method calculates ten nondimensional parameters of each IMF and residue component, then using the optimized kernel function to analyze original parameters. The condition recognition result of gear pump vibration signals in different conditions shows that the novel method is effective.

Key words: kernel principal component analysis (KPCA), Gauss radial basis kernel, geodesic distance, genetic algorithm (GA), pattern recognition

中图分类号:

TH137

杨庆，陈桂明，刘鲭洁，何庆飞. 基于测地线距离的核主元分析在齿轮泵故障识别中应用[J]. 上海交通大学学报（自然版）, 2011, 45(11): 1632-1636.

参考文献

［1］张曦, 阎威武, 赵旭, 等. 基于小波去噪核主元分析和邻近支持向量机的性能监控和故障诊断［J］. 上海交通大学学报, 2008, 42(2): 181185.

ZHANG Xi, YAN Weiwu, ZHAO Xu, et al. Performance monitoring and fault identification based on denoised kernel principal component analysis and proximal support vector machine［J］. Journal of Shanghai Jiaotong University, 2008, 42(2): 181185.

［2］沈志熙, 黄席樾, 马笑潇. 基于EMD多模态特征融合支持向量机的故障诊断［J］. 控制与决策, 2009, 24(6): 889891.

SHEN Zhixi, HUANG Xiyue, MA Xiaoxiao. Fault diagnosis method based on empirical mode decomposition and support vector machine［J］. Control and Decision, 2009, 24(6): 889891.

［3］Lee J M, Yoo C K, Choi S W, et al. Nonlinear process monitoring using kernel principal component analysis［J］. Chemical Engineering Science, 2004, 59(1): 223234.

［4］Kuo P W, Sheng D W. Choosing the kernel parameters for support vector machines by the intercluster distance in the feature space［J］. Pattern Recognition, 2009, 42: 710717.

［5］Wang J H, Xie B L, Xu J J, et al. A fast KPCAbased nonlinear feature extraction method［C］//2009 Second AsiaPacific Conference on Computational Intelligence and Industrial Applications. China: PACIIA, 2009: 232235.

［6］于春梅, 潘泉, 程咏梅, 等. 基于核主元提取的支持向量机辨识［J］. 数学的实践与认识, 2009, 39(1): 132134.

YU Chunmei, PAN Quan, CHENG Yongmei, et al. KPCA based SVM identification of nonlinear system［J］. Mathematics in Practice and Theory, 2009, 39(1): 132134.

［7］史忠植. 神经网络［M］. 北京：高等教育出版社, 2009.

［8］李波. 基于流形学习的特征提取方法及其应用研究［D］. 合肥：中国科学技术大学自动化系, 2008.

［9］魏秀业,潘宏侠,黄晋英, 等. 基于粒子群优化的核主元分析的故障状态识别［J］. 机械科学与技术, 2009, 8(12): 15471549.

WEI Xiuye, PAN Hongxia, HUANG Jinying, et al. Fault condition recognition with kernel principal component analy sis based on particle swarm optimization［J］. Mechanical Science and Technology for Aerospace Engineering, 2009, 28(12): 15471549.

［10］李宏坤, 马孝江. 基于KPCASVM的柴油机状态识别方法的研究［J］. 振动、测试与诊断, 2009,29(1): 4243.

LI Hongkun, MA Xiaojiang. Pattern recognition of diesel engine by using kernel principle component analysis and support vector machine［J］. Journal of Vibration, Measurement & Diagnosis, 2009, 29(1): 4243.

［11］胡金海, 谢寿生. 基于遗传算法的航空发动机性能监控与故障诊断［J］. 推进技术, 2003, 24(3): 198200.

HU Jinhai, XIE Shousheng. Performance monitoring and fault diagnosis of aeroengine based genetic algorithm［J］. Journal of Propulsion Technology, 2003, 24(3): 198200.

［12］龚纯,王正林. 精通MATLAB最优化计算［M］. 北京：电子工业出版社, 2009.

[1]	闫青, 鲁建厦, 江伟光, 邵益平, 汤洪涛, 李英德. 考虑双端口布局的紧致化仓储系统堆垛机路径优化[J]. 上海交通大学学报, 2022, 56(7): 858-867.
[2]	周天颜, 冯小恩, 范云锋, 董诗音, 李玉庆, 金慧中. 避免防空火力过剩的地面兵力防御部署优化模型[J]. 空天防御, 2022, 5(4): 19-23.
[3]	王箫剑, 洪君, 陈晶华, 李鸿光. 基于参数化建模和响应面优化的箱体减重研究[J]. 空天防御, 2022, 5(4): 60-66.
[4]	郭金玉, 李文涛, 李元. 在线压缩核主元分析的自适应过程监控[J]. 上海交通大学学报, 2022, 56(10): 1397-1408.
[5]	王卓鑫, 赵海涛, 谢月涵, 任翰韬, 袁明清, 张博明, 陈吉安. 反向传播神经网络联合遗传算法对复合材料模量的预测[J]. 上海交通大学学报, 2022, 56(10): 1341-1348.
[6]	陶海红, 闫莹菲. 一种基于GA-CNN的网络化雷达节点遴选算法[J]. 空天防御, 2022, 5(1): 1-5.
[7]	周宇泰, 徐岳, 李宇, 蒋国韬. 基于遗传算法的干扰态势下三维雷达网优化布站方法[J]. 空天防御, 2022, 5(1): 52-59.
[8]	李翠明, 王宁, 张晨. 基于改进遗传算法的光伏板清洁分级任务规划[J]. 上海交通大学学报, 2021, 55(9): 1169-1174.
[9]	顾一凡, 赵文龙, 唐善军, 杨擎宇, 郑鑫. 分布式主/被动成像探测系统目标空间协同定位方法研究[J]. 空天防御, 2021, 4(4): 119-126.
[10]	卓鹏程, 严瑾, 郑美妹, 夏唐斌, 奚立峰. 面向滚动轴承全生命周期故障诊断的GA-OIHF Elman神经网络算法[J]. 上海交通大学学报, 2021, 55(10): 1255-1262.
[11]	王金凤, 陈璐, 杨雯慧. 考虑设备可用性约束的单机调度问题[J]. 上海交通大学学报, 2021, 55(1): 103-110.
[12]	牛志华, 苑璨, 孔得宇. 计算周期序列k-错线性复杂度的混合遗传算法[J]. 上海交通大学学报, 2020, 54(6): 599-606.
[13]	康俊涛, 张亚州, 秦世强. 基于一种混合智能算法的有限元模型修正多解问题[J]. 上海交通大学学报, 2020, 54(6): 652-660.
[14]	姚来鹏, 侯保林, 刘曦. 采用摩擦补偿的弹药传输机械臂自适应终端滑模控制[J]. 上海交通大学学报, 2020, 54(2): 144-151.
[15]	戴少怀, 王磊, 李旻, 余科, 罗晨. 基于遗传算法的SVM自适应干扰样式选择[J]. 空天防御, 2020, 3(2): 59-64.