摘要:支持矢量机(Support vector machines,SVM)已经在小样本故障识别中得到了广泛应用。与之对比,由于先验知识获取和非线性识别较难实现,基于贝叶斯概率的故障识别方法应用较少。针对上述问题,提出隐性函数S-压缩贝叶斯故障识别方法(LS-BFR)。LS-BFR以高斯随机过程和贝叶斯概率为基础,以高斯回归作为隐性函数,通过S-压缩对回归输出进行变换使其具有概率意义,利用贝叶斯概率实现故障识别。为提高LS-BFR非线性故障识别效果,引入核函数方法在高维空间进行隐性高斯过程回归,并给出基于贝叶斯参数估计的核函数参数选择方法。在转子试验台上模拟了不对中和不平衡故障,并利用LS-BFR进行故障识别。试验结果表明,基于隐性函数和S-压缩的LS-BFR方法能有效地进行小样本故障识别,且识别效果优于SVM。
关键词:故障识别 贝叶斯估计 隐性函数 高斯过程回归
单位:清华大学精密测试技术及仪器国家重点实验室 北京100084
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社