本文選題：主元分析 + K近鄰��； 參考：《機(jī)械設(shè)計(jì)與制造》2017年06期

【摘要】：針對旋轉(zhuǎn)機(jī)械高維故障數(shù)據(jù)難以被準(zhǔn)確辨識(shí)的情況,提出了一種基于主元分析(principal component analysis,PCA)和K近鄰(K-nearest neighbour,KNN)算法的旋轉(zhuǎn)機(jī)械故障識(shí)別方法。合理選取出各狀態(tài)信號(hào)的時(shí)域、頻域特征指標(biāo)構(gòu)造成高維特征空間,輸入給主元分析算法進(jìn)行降維處理,提取出低維敏感特征,將約簡后的狀態(tài)樣本輸入給KNN算法進(jìn)行故障識(shí)別。滾動(dòng)軸承和轉(zhuǎn)子的實(shí)驗(yàn)結(jié)果表明,該方法能夠很好的約簡高維故障樣本特征,在實(shí)現(xiàn)樣本數(shù)據(jù)可視化的同時(shí)準(zhǔn)確識(shí)別出各故障樣本。與傳統(tǒng)方法相比,該方法具有結(jié)構(gòu)簡單、識(shí)別率高等優(yōu)點(diǎn),對機(jī)械故障診斷研究具有一定的工程意義。
[Abstract]:In view of the difficulty of accurate identification of high dimensional fault data of rotating machinery, a fault identification method for rotating machinery based on principal component analysis (PCA) and K-nearest neighbor KNN (K-nearest neighbor KNN) algorithm is proposed.The time-domain and frequency-domain characteristic indexes of each state signal are reasonably selected and constructed into a high-dimensional feature space, which is input to the principal component analysis algorithm for dimensionality reduction, and the low-dimensional sensitive feature is extracted.The reduced state samples are input to the KNN algorithm for fault identification.The experimental results of rolling bearings and rotors show that the proposed method can well approximate the features of the fault samples in the high dimension and realize the visualization of the sample data and accurately identify the fault samples at the same time.Compared with the traditional method, this method has the advantages of simple structure and high recognition rate, and has certain engineering significance for the research of mechanical fault diagnosis.
【作者單位】： 沈陽化工大學(xué)機(jī)械工程學(xué)院;
【基金】：國家自然科學(xué)基金(51275315)
【分類號(hào)】：TH17

【相似文獻(xiàn)】

相關(guān)期刊論文 前9條

1 于飛;王紅蛟;;基于主元分析與偏最小二乘故障診斷算法的研究[J];化工自動(dòng)化及儀表;2014年08期

2 歐陽高強(qiáng);曹柳林;;一種基于相對主元分析的故障檢測方法[J];北京化工大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年04期

3 王心怡;李志農(nóng);張新廣;袁振偉;;基于稀化核函數(shù)主元分析的機(jī)械故障診斷方法研究[J];機(jī)械強(qiáng)度;2009年05期

4 李志農(nóng);王心怡;張新廣;袁振偉;;基于全矢譜核函數(shù)主元分析的旋轉(zhuǎn)機(jī)械故障診斷方法研究[J];振動(dòng)與沖擊;2008年07期

5 韓華;谷波;任能;;基于主元分析與支持向量機(jī)的制冷系統(tǒng)故障診斷方法[J];上海交通大學(xué)學(xué)報(bào);2011年09期

6 王新峰,邱靜,劉冠軍;基于有監(jiān)督核函數(shù)主元分析的故障狀態(tài)識(shí)別[J];測試技術(shù)學(xué)報(bào);2005年02期

7 楊海榮;薄翠梅;龔偉俊;張廣明;;基于PCA-SVM集成閥門故障診斷方法研究[J];流體機(jī)械;2009年07期

8 胡金海;謝壽生;侯勝利;尉詢楷;何衛(wèi)鋒;;核函數(shù)主元分析及其在故障特征提取中的應(yīng)用[J];振動(dòng)、測試與診斷;2007年01期

9 ;[J];;年期

相關(guān)碩士學(xué)位論文 前4條

1 李想;基于主元分析的工業(yè)過程故障診斷算法研究[D];沈陽大學(xué);2010年

2 陳志文;基于主元分析的動(dòng)態(tài)系統(tǒng)故障檢測方法研究[D];中南大學(xué);2012年

3 徐海永;基于主元分析和支持向量回歸機(jī)的故障預(yù)測[D];大連理工大學(xué);2013年

4 溫冰清;基于主元分析的故障檢測與診斷研究[D];南京師范大學(xué);2011年

，

本文編號(hào)：1732724