核主元分析方法（Kernel Principal Component Analysis,KPCA）能有效地捕捉数据的非线性特征,其故障检测能力很大程度上取决于核参数的选择。常用的核函数有多项式核函数和高斯径向基核函数等。该方法将多项式核函数和高斯径向基核函...核主元分析方法（Kernel Principal Component Analysis,KPCA）能有效地捕捉数据的非线性特征,其故障检测能力很大程度上取决于核参数的选择。常用的核函数有多项式核函数和高斯径向基核函数等。该方法将多项式核函数和高斯径向基核函数进行线性组合,结合两者优点得到混合核函数,使用故障检测率作为优化目标的适应度函数,通过人工蜂群（Artificial Bee Colony Algorithm,ABC）优化算法对KPCA核参数的选取进行优化。将该方法应用到电主轴的转子不平衡故障分析中,对信号进行时域分析,利用KPCA对样本数据进行非线性特征提取,根据主元特征计算出的T2和SPE统计量实现故障检测。经过对实验数据分析表明,ABC优化算法较二分法、粒子群等优化算法能更有效地提高故障检测率。展开更多
