主分量分析和因子隐Markov模型在机械故障诊断中的应用

摘要：

主分量分析(principal component analysis,PCA)是统计学中分析数据的一种有效方法,可以将高维数据空间变换到低维特征空间,因而可用于多通道冗余消除和特征提取.因子隐Markov模型是隐Markov模型的扩展,它比隐Markov模型更有优势,适用于动态过程时间序列的建模,并具有强大的时序模型分类能力,特别适合非平稳、信号特征重复再现性不佳的信号分析.文中结合主分量分析与因子隐Markov模型,提出一种新的故障识别方法,即以主分量分析方法进行冗余消除和故障特征提取,因子隐Markov模型作为分类器.并应用到机械故障诊断中,同时与基于主分量分析的隐Markov模型的识别方法相比较,实验结果表明基于PCA的因子隐Markov模型识别法和基于PCA的隐Markov模型识别法在故障识别上都是有效的,但对于相同的状态空间,前者的训练速度快于后者,尤其是状态空间越大,这种优势越明显.

关键词：主分量分析、因子隐Markov模型、冗余消除、故障诊断、模式识别

所属期刊栏目：29

分类号：TH13

资助基金：教育部跨世纪优秀人才培养计划;河南省教育厅自然科学基金2006460005;河南省高校杰出科研创新人才工程项目0621000500

在线出版日期：2007-04-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：25-29