基于KPCA和SVM的电梯故障诊断系统.pdf

《基于KPCA和SVM的电梯故障诊断系统.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、机械设计与制造第1期l96MachineryDesign&Manufacture2010年1月文章编号：1001—3997(2010)01—0196一O2基于KPCA和SVM的电梯故障诊断系统木黄水霞张广明邱春玲黄凯(南京工业大学自动化学院，南京210009)(江苏省特种设备安全监督检验研究院，南京210009)TheelevatorfaultdiagnosissystembasedonKPCAandSVMHUANGShui—xia，ZHANGGuang—ming，QIUChun—ling，HUANGKai(NanjingUniversityofTechnology，Nanjing210009

2、，China)(JiangsuProvinceSpecialEquipmentsafetySupervisionInspectionInstitute，Nanjing210009，China)∥■；*■{t罾E坩g■∥∥辨一∥#㈣■■期P●#■耕∥■}∞P#1※■}蕾■；#■#料g●gg■#【摘要】针对电梯故障的非线性特性及故障特征不明显，传统方法分析后留下的显著成分不能反映这种非线性属性等问题，提出了核主元分析(KPCA)和支持向量机(SVM)相结合的故障诊断方法。利用KPCA在高维空间具有较强的特征选择能力和支持向量机具有较强的辨识率的特点，通过核主元分析法提取电梯故障特征，以达到降维作用

3、，再利用支持向量机分类模型进行故障辨识。实验证明用此方法进行电梯的故障诊断具有更}夹更好的诊断效果。关键词：KPCA；SVM；故障诊断；电梯；故障辨识【Abstract】Generally，theelevatorfailuresarenon—lineatandinvisible．Aimedtosolvetheproblemthatthetraditionalmethodcan’treflectthisqualityofnon-linear，proposethemethodusingKPCAandSVM．KPCAhasgreatabilityin_厂eaturesselectionandSVMh

4、asgoodabilityofidentifcation．FirstextracttheelevatorfauhfeatureusingKPCAinordertoreducethedimensionoffaultdatasamplesandthenuseSVMtoidentifytheelevatorultbasedontheircharacteristics．Experimentsprovethatithasabetterandquickerefectofdiagnosisbyusingthismethod．Keywords：KPCA；SVM；Faultdiagnosis；Elevator；

5、Faultidentify中图分类号：TH12，TP274文献标识码：A由(3)式和(4)式可得：1核主元分析lAKa=K2a(5)核主元分析是一种非线性方法，它引入某种非线性映射将原可以证明日，KPCA的载荷向量为：空间中的非线性问题转化为映射空间中的线性问题。这一非线性N映射是在原空间中利用核函数内积运算实现的，无需关注具体的=a(虢)(6)z；l映射形式，因此称作核函数主元分析，通过选取不同的核函数，可任一向量的主元t可通过(·)映射到特征空间的特征以处理大量的非线性问题[51。矢量上，其中k=l⋯P(p为选取的核函数主元数)：在输入空间中，变量矩阵的各变量之间存在非线性关系，N“=()

6、>=∑<(戤)，()>(7)原空间R中的向量瓢R，k=l⋯Ⅳ通过非线性映射(·)映射到高维特征空问()=(()，()，⋯，(舰))，对其进行主元分核函数的形式一般可选择为：(x,y)：。p(一_l!x-7I1~)，。是选C析。假没映射数据为零均值，则特征空间中映射数据(≈)的协方定的参数。差矩阵可表示为：f2支持向量机C=l／l∑()()，(1)系统采用二叉树算法构建支持向量机故障分类器模型。其具』=1体算法如下：对协方差矩阵C进行特征向量分析：对于n类训练样本，训练n一1个支持向量机，第1个SVM以A=CV(2)第1类样本为正的训练样本，将第2，3，⋯，／"t类训练样本作为负其中特征值A>-

7、0，特征向量V∈(·o将每个投影与该式求的训练样本训练SVM1，第i个支持向量机以第i类样本为正的内积可得：训练样本，将第i+1，i+2，⋯，n类训练样本作为负的训练样本训练A(()-V)=(()·CV)k=l，⋯，l(3)SVM。，直到第n一1个支持向量机将以第n一1类样本作为正样本，存在系数Ot使得：f以第n类样本为负样本训练SVM二又树方法可以避免传统方=∑d()(4)J=I法的不可分情况，