基于P CA/KP CA初始字典优化的故障诊断算法研究

• 作者: 周清雅 张世荣 汪佳宝 黎贤钛
• 来源期刊: 传感技术学报
• 学科: 工学
• 关键词: 故障诊断 字典学习 特征表达 初始字典 主成分分析 变压器油泵
• 年，卷（期）: 2020,（11）
• 所属期刊栏目: 传感器信号处理
• 页码范围: 1599-1607
• 页数: 9页
• 分类号: TM307.1
• 语种: 中文
• DOI: 10.3969/j.issn.1004-1699.2020.11.011

摘要

字典学习是一种有效的统计机器学习方法,也被应用于工业过程的故障诊断.初始字典直接影响对数据特征的表达,从而影响故障诊断效果.本文采用PCA/KPCA来对初始字典进行优化,以获得原子间冗余度小、特征表达准确的初始字典.提出了用PCA/KPCA优化初始字典的故障诊断算法框架,讨论了离线学习和在线诊断的核心问题.以机车变压器冷却油泵为对象进行了试验,取6对差动感测线圈输出为样本,对比了5种算法的故障诊断、故障定位及故障类型判别性能.结果表明:基于字典学习的故障诊断优于传统PCA、KPCA算法;用PCA/KPCA优化初始字典的确能提升故障诊断性能;在初始字典优化试验对比中KPCA优于PCA,表明KPCA更加适合油泵的非线性特征.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	黎贤钛		3	1	1.0	1.0
2	周清雅		1	0	0.0	0.0
3	张世荣		1	0	0.0	0.0
4	汪佳宝		1	0	0.0	0.0