基于KPCA与马氏距离的达林顿管故障预测

被引：4

作者：

刘强

程进军

谭洋波

郭文浩

李剑峰

机构：

[1] 空军工程大学航空工程学院

来源：

空军工程大学学报(自然科学版) | 2018年 / 19卷 / 05期

关键词：

故障预测; 达林顿管; 核主成分分析; 马氏距离; 健康因子;

D O I：

暂无

中图分类号：

TN323.4 [];

学科分类号：

摘要：

为了对达林顿管进行故障预测,提出了基于KPCA与马氏距离的达林顿管故障预测方法。通过对达林顿管进行失效机理分析,设计了加速退化试验,并获取了集电极导通电流与饱和压降性能退化数据,利用小波包分解与核主成分分析进行数据处理,滤除了原始数据中的干扰信号,得到了退化数据的主成分,结合马氏距离对处理后的数据进行特征融合,得到了可以表征达林顿管健康状态变化的健康因子。使用2种故障预测算法对健康因子进行预测,故障预测结果验证了文中方法的有效性,预测值与真实值的误差均在10%以内。

引用

页码：71 / 77

页数：7

共 12 条

[1]

Detection of weak transient signals based on wavelet packet transform and manifold learning for rolling element bearing fault diagnosis.[J].Yi Wang;Guanghua Xu;Lin Liang;Kuosheng Jiang.Mechanical Systems and Signal Processing.2015,

[2]

Health monitoring of electronic products based on Mahalanobis distance and Weibull decision metrics.[J].Gang Niu;Satnam Singh;Steven W. Holland;Michael Pecht.Microelectronics Reliability.2010, 2

[3]

Enhanced statistical analysis of nonlinear processes using KPCA; KICA and SVM.[J].Yingwei Zhang.Chemical Engineering Science.2008, 5

[4]

A review on machinery diagnostics and prognostics implementing condition-based maintenance.[J].Andrew K.S. Jardine;Daming Lin;Dragan Banjevic.Mechanical Systems and Signal Processing.2005, 7

[5]

机器学习.[M].周志华.清华大学出版社.2016,

[6]

基于主成分分析和马氏距离的光伏系统健康状态研究 [J].