基于MSKPCA和SVM的转子故障诊断模型及应用

张维强^1,2，赵荣珍^1,2，李坤杰^1,2

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

摘 要：为提高转子故障分类与辨识的准确率,围绕故障数据的降维问题开展了研究工作。在构造了多核函数的一种特殊形式多尺度核函数前提下,研究了多尺度核函数主成分分析（Multi-Scale Kernel Principal Component Analysis,MSKPCA）法在转子故障原始特征集降维中的应用途径。将获得的新的故障特征集输入到支持向量机（SVM）进行训练与辨识,建立了具有多尺度核多层核的转子故障诊断模型。研究结果表明,在多尺度核主成分分析法中合理地选用多尺度核函数,能够更好地提取转子故障不同尺度下的敏感信息,可为转子故障辨识提供更加精确的样本,能有效地提高转子故障诊断的准确率。该研究为转子系统故障数据特征降维提供了一种新方法,为核方法在转子故障诊断中的应用提供了新的思路。

关键词：特征提取;多尺度核主成分分析;转子故障诊断;尺度选择;支持向量机;