分步动态自回归核主元分析及其在故障诊断中应用

摘要 针对滑动窗自适应核主元分析法(KPCA)在处理参数敏感和缓慢劣化问题时存在的"过适应"现象,容易产生漏报的问题,提出了一种分步动态自回归KPCA算法。首先,借鉴动态数据矩阵思想,分步建立初始模型;然后,在滑动窗自适应KPCA的基础上,引入指数加权法则处理实时数据、更新模型;最后,分析算法复杂度,并给出具体实现步骤。利用模拟数据分析分解系数和加权因子对算法的影响,结果表明,与滑动窗自适应KPCA相比,所提方法在参数选择恰当的情况下,模型效率提高了近90%,误报次数几乎降为0,还能通过调整加权因子取值来控制算法的适应能力,以解决多样化的动态问题。将算法应用于压缩机喘振和轴承故障实验数据分析,验证了所提算法处理参数敏感和缓慢劣化问题的能力