旋转机械非线性故障核诊断方法研究

核方法通过在核函数隐式映射的特征空间寻找线性关系，可实现非线性问题的高效求解，特别适用于具有强非线性特性的旋转机械故障诊断问题的处理。核方法本质上是基于应用对象的，而目前其在旋转机械故障诊断领域虽有较好应用，但均为其它领域应用较成熟方法的展开，未考虑旋转机械故障诊断的本质特性，也未形成核方法及其核函数在该领域应用的方法体系，基于此，项目开展旋转机械故障诊断的核方法研究，内容包括：①研究故障样本特征空间变换特性，揭示旋转机械故障诊断本质特性及其内在规律；②研究反映旋转机械故障诊断本质特性的核方法目标函数；③研究反映旋转机械故障特征内在变化规律的核函数；④研究核参数对核方法性能影响的本质规律；最终形成旋转机械非线性故障核诊断方法体系，为核方法在该领域新的应用提供理论指导。项目研究可充分发挥核方法在旋转机械非线性故障诊断的优势，提高诊断速度与精度，对核方法与故障诊断技术的发展均具有积极意义。

核方法通过在核函数隐式映射的特征空间寻找线性关系，可实现非线性问题的高效求解，特别适用于具有强非线性特性的旋转机械故障诊断问题的处理。项目围绕核参数优化、基于核方法的消噪技术、核特征提取方法及基于核方法的故障诊断与模式识别等几个方面对支持向量机(SVM)、核主成分分析(KPCA)、核独立成分分析(KICA)、核聚类(KC)几种典型核方法展开研究。具体包括：.(1) 核参数优化研究。提出了基于改进细菌觅食算法的核参数优选方法，应用于KPCA、SVM核参数优化，对比分析了遗传算法、粒子群算法、标准细菌觅食算法和改进的细菌觅食算法；通过大量实测数据分析，揭示了核函数及核参数对KPCA性能影响规律与优选基本准则；提出以KICA分离前后信号相似度作为KICA信号分离效果评判标准，对滚动轴承故障诊断中KICA的核参数进行寻优研究。.(2) 基于核方法的消噪技术研究。依据KICA可将混合信号源的独立成分一一分离的特性，通过引入适配噪声分量，选取有用信号加以重构，实现消噪处理；通过相空间重构将一维观测信号扩展为多维向量，再执行KPCA，提取核主成分，实现信号消噪。.(3) 核特征提取方法研究。将KPCA思想应用于映射数据的类均值向量，通过构建类均值核矩阵，建立了类均值核主元分析法CMKPCA算法模型，实现了无信息损失的数据降维与特征提取；定义了旋转机械KIC特征量，可作为敏感特征量用于故障诊断；提出了基于约束KICA的滚动轴承故障诊断模型，通过理先验知识构建脉冲参考信号作为约束条件，提高故障信号分离的效果。.(4)基于核方法的模式识别与故障诊断。提出了基于CMKPCA与SVM的故障诊断方法，基于SVM与D-S加权证据理论的故障诊断方法， 基于SVM的多振动传感信息融合方法，基于KPCA与PSOSVM的故障诊断方法，基于核聚类的故障诊断方法。.项目开展期间，共参加了10个国内外大型学术交流会议20余人次的学术交流；发表学术论文26篇，其中EI、SCI收录15篇；申请发明专利1项；获湖南省自然科学奖1项、中国仪器仪表学会科技成果奖1项；培养硕士研究生6名。形成了旋转机械非线性故障核诊断方法理论体系。成果有着广泛的应用前景。