基于KL变换的特征提取在电机故障分类中的应用

摘要

KL变换是一种与主成分分析密切相关的线性降维和去除相关性的方法,能够在满足均方差最小的条件下将原始数据压缩或降维到几个有限的方向上.论文首先介绍了两种不同类型的KL变换的应用,一种方法是通过总体数据样本集来获得变换矩阵(缩写为1-KLT),另一种方法是利用各类样本集分别形成各自的KL变换矩阵(简称为m-KLT, m表示样本类别数).然后以一组电机在不同状态下实测的电流信号样本集为例,将1-KLT和m-KLT方法分别与最近邻(1-nn)分类器相结合,分析比较了两种形成KL变换矩阵方法对分类结果的影响.通过分类结果的比较表明,m-KLT与1-nn分类器组合得到的分类准确率明显高于1-KLT与1-nn组合的分类准确率.最后详细讨论了KL变换后低维空间的维数对分类结果的影响.