转子故障特征数据分类的KPCA-BFDA方法

被引：13

作者：

马再超 ^{[1
,2
]}

赵荣珍 ^{[1
,2
]}

杨文瑛 ^{[1
,2
]}

机构：

[1] 兰州理工大学数字制造技术与应用省部共建教育部重点实验室

[2] 兰州理工大学机电工程学院

来源：

振动测试与诊断. | 2013年 / 33卷 / 02期

关键词：

故障特征数据集; 数据分类; 偏费歇判别分析; 核主成分分析;

D O I：

10.16450/j.cnki.issn.1004-6801.2013.02.020

中图分类号：

TH165.3 [];

学科分类号：

摘要：

对非线性转子系统故障特征数据的分类方法进行了研究。在提出一种偏费歇判别分析法(biased fisher discriminatory analysis,简称BFDA)的前提下,进一步提出将核主成分分析法(kernel principal component analysis,简称KPCA)与偏费歇判别分析法相结合的数据集降维方法,该方法中的核主成分分析步骤用于构造剔除数据集冗余信息的降维数据集,偏费歇判别分析步骤用于进一步降低数据集维数并提高不同类别数据子集间的分离程度。对实例数据与典型故障数据的分类结果表明,提出的偏费歇判别分析法在具备费歇判别分析降维可分性能的基础上,具有更低计算复杂度的特点。提出的核主成分分析结合偏费歇判别分析的算法,其对应的降维结果能直接应用于线性分类器,且取得了较好的分类效果。

引用

页码：192 / 198+334 +334-335

页数：9

共 8 条

[1]

基于支持向量机的故障智能诊断理论与方法研究 [D].