基于无监督迁移成分分析和支持向量机的故障分类方法

TH133.33; 针对因源域和目标域数据存在分布差异及故障样本缺乏影响故障分类准确度的问题,构建了基于无监督迁移成分分析—支持向量机(UTCA-SVM)的故障分类模型.首先,将不同工况的样本特征映射到Hilbert核空间;然后,通过最大均值差异(MMD)来度量迁移的源域样本数据,实现从源域到目标域的跨域特征信息迁移;最后,通过实验对所提故障分类方法进行验证.实验结果表明:所提方法与主成分分析—支持向量机分类模型(PCA-SVM)和SVM分类模型相比,能够减少域分布差异以更准确的进行样本数据分类,进而准确地检测出滚动轴承的故障状态....

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 29; no. 9; pp. 3066 - 3073
Main Authors 蒋兆, 马义中
Format Journal Article
LanguageChinese
Published 南京理工大学经济管理学院,江苏 南京 210094 01.09.2023
Subjects
无监督迁移成分分析
支持向量机
unsupervised component transfer analysis
滚动轴承
rolling bearings
support vector machines
maximum mean dis-crepancy
fault detection
故障检测
最大均值差异
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2023.09.018

Cover

More Information
Summary:TH133.33; 针对因源域和目标域数据存在分布差异及故障样本缺乏影响故障分类准确度的问题,构建了基于无监督迁移成分分析—支持向量机(UTCA-SVM)的故障分类模型.首先,将不同工况的样本特征映射到Hilbert核空间;然后,通过最大均值差异(MMD)来度量迁移的源域样本数据,实现从源域到目标域的跨域特征信息迁移;最后,通过实验对所提故障分类方法进行验证.实验结果表明:所提方法与主成分分析—支持向量机分类模型(PCA-SVM)和SVM分类模型相比,能够减少域分布差异以更准确的进行样本数据分类,进而准确地检测出滚动轴承的故障状态.
ISSN:1006-5911
DOI:10.13196/j.cims.2023.09.018