基于LLE算法和SVM的旋转机械故障诊断  

A Study on the Dimension Reduction of the Fault Diagnosis Model for Rotating Machinery Based on LLE

作　　者：苏盈盈[1,2] 马飞[3] 刘兴华[1] 熊德杨 

机构地区：[1]重庆科技学院电气与信息工程学院,重庆401331 [2]重庆大学自动化学院,重庆400044 [3]重庆电力高等专科学校,重庆400053

出　　处：《重庆电力高等专科学校学报》2013年第6期63-66,共4页Journal of Chongqing Electric Power College

基　　金：重庆市自然科学基金项目(项目编号cstc2012jjA40026);重庆科技学院校内重点科研基金项目(项目编号CK2011Z01)

摘　　要：利用LLE(Locally Linear Embedding)算法对众多的观测变量进行降维,再利用支持向量分类器SVM(Support Vector Machine)方法对降维后的变量数据集进行故障诊断。通过算例仿真表明,旋转机械故障的23维变量因素可降到14维,同时得到的诊断结果中,训练集的正确率为94.8%,测试集的正确率为100%。结果表明基于LLE算法和SVM的旋转机械故障诊断的模型精度有效。其既降低了模型的复杂度,又不影响故障诊断模型的精度。There are numerous observation variables of the fault diagnosis model for the rotating mechanical system, which can lead to the problem of high dimension. This essay presents the application of LLE （ Locally Liner Embed- ding） in the dimension reduction of the variables. Then, SVM （Support Vector Machine）is used for subsequent fault diagnosis of the data sets. The results of the research show that the primary 23 dimension can be reduced to 14 di- mension. Meanwhile, the results of the diagnosis show that the accuracies of the training set and the test set are 94. 8% and 100% respectively. In conclusion ,the model is effective and accurate in the dimension reduction.

关 键 词：局部线性嵌入 SVM 旋转机械 故障诊断 

分 类 号：TP206.3[自动化与计算机技术—检测技术与自动化装置]