本文選題：故障診斷 + KNN算法�。� 參考：《機(jī)械設(shè)計與制造》2017年07期

【摘要】：針對傳統(tǒng)K近鄰(K-Nearest Neighbor,KNN)算法在進(jìn)行機(jī)械故障信號識別的過程中,無法挖掘特征參數(shù)之間關(guān)聯(lián)性,提出一種基于最優(yōu)特征集的馬氏距離KNN分類方法,根據(jù)機(jī)械故障信號的非線性特點,使用小波分解獲得時頻域故障特征,通過局部嵌入算法(Locally Linear Embedding,LLE)來進(jìn)行二次故障特征提取,從而獲得多相關(guān)特征集并對其進(jìn)行主成分分析得到最優(yōu)特征集,最后通過數(shù)值仿真信號和齒輪故障數(shù)據(jù)的分析了方法的有效性。結(jié)果表明該方法能夠有效挖掘特征參數(shù)之間關(guān)聯(lián)性,增加不同故障之間區(qū)分度,從而提高故障識別精度。
[Abstract]:In view of the fact that the traditional K-nearest neighbor KNN (K-nearest neighbor KNN) algorithm is unable to mine the correlation between the feature parameters in the process of mechanical fault signal recognition, a Markov distance KNN classification method based on the optimal feature set is proposed. According to the nonlinear characteristics of mechanical fault signal, wavelet decomposition is used to obtain the time-frequency domain fault feature, and local embedding algorithm is used to extract the secondary fault feature. The multi-correlation feature set is obtained and the optimal feature set is obtained by principal component analysis. Finally, the validity of the method is analyzed by numerical simulation signal and gear fault data. The results show that this method can effectively mine the correlation between feature parameters and increase the degree of discrimination among different faults, thus improving the accuracy of fault identification.
【作者單位】： 廣東石油化工學(xué)院;
【基金】：茂名市科技計劃項目(2012B01066)
【分類號】：TH17

【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 王少鋒;王戈;王建國;高琳;;基于小波包熵與EMD的能量算子解調(diào)機(jī)械故障診斷[J];機(jī)械設(shè)計與制造;2015年10期

2 胡建中;吳瑤;謝小欣;;一種基于LLE特征融合的故障識別方法[J];中國機(jī)械工程;2013年24期

3 Shu Zhao;Chen Rui;Yanping Zhang;;MICkNN:Multi-Instance Covering kNN Algorithm[J];Tsinghua Science and Technology;2013年04期

4 謝小欣;胡建中;許飛云;賈民平;;一種基于多流形局部線性嵌入算法的故障診斷方法[J];機(jī)械工程學(xué)報;2013年11期

5 楊金福;宋敏;李明愛;;一種新的基于距離加權(quán)的模板約簡K近鄰算法[J];電子與信息學(xué)報;2011年10期

6 馬瑞;王家■;宋亦旭;;基于局部線性嵌入(LLE)非線性降維的多流形學(xué)習(xí)[J];清華大學(xué)學(xué)報(自然科學(xué)版)網(wǎng)絡(luò).預(yù)覽;2008年04期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孟亞輝;;基于最優(yōu)特征集和馬氏距離KNN分類的機(jī)械故障分類方法研究[J];機(jī)械設(shè)計與制造;2017年07期

2 張慧妍;李爽;王小藝;王立;于家斌;許繼平;董銀卯;孟宏;;基于關(guān)聯(lián)性的動態(tài)分類模型——以皮膚與體質(zhì)為例[J];工程科學(xué)與技術(shù);2017年03期

3 吳翠穎;周濤;陸惠玲;王媛媛;;特征級圖像融合及在醫(yī)學(xué)圖像中的應(yīng)用研究[J];電視技術(shù);2016年12期

4 馬萍;張宏立;范文慧;;基于局部與全局結(jié)構(gòu)保持算法的滾動軸承故障診斷[J];機(jī)械工程學(xué)報;2017年02期

5 石陸魁;周浩;劉文浩;;基于流形學(xué)習(xí)的路面破損圖像多特征融合與可視化[J];公路交通科技;2016年11期

6 薄翠梅;韓曉春;易輝;李俊;;基于聚類選擇k近鄰的LLE算法及故障檢測[J];化工學(xué)報;2016年03期

7 王廣斌;羅軍;賀旖琳;杜曉陽;陳慶怡;;基于局部線性嵌入的多流形學(xué)習(xí)故障診斷方法[J];湖南科技大學(xué)學(xué)報(自然科學(xué)版);2015年04期

8 黨宏社;白梅;張娜;;基于ReliefF特征加權(quán)和KNN的自然圖像分類方法[J];電視技術(shù);2015年19期

9 尹志瓊;;最優(yōu)運(yùn)動員身體特征的尋優(yōu)篩選挖掘建模[J];科技通報;2015年07期

10 董露露;張恒;趙姝;張燕平;;多示例學(xué)習(xí)的示例權(quán)重算法[J];合肥學(xué)院學(xué)報(自然科學(xué)版);2015年03期

【二級參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 楊慶;陳桂明;童興民;何慶飛;;增量式局部切空間排列算法在滾動軸承故障診斷中的應(yīng)用[J];機(jī)械工程學(xué)報;2012年05期

2 吳虎勝;呂建新;戰(zhàn)仁軍;吳廬山;;基于EMD和AR奇異值的柴油機(jī)故障診斷[J];機(jī)械設(shè)計與制造;2011年04期

3 鞠萍華;秦樹人;趙玲;;基于LMD的能量算子解調(diào)方法及其在故障特征信號提取中的應(yīng)用[J];振動與沖擊;2011年02期

4 曾番;;小波包分析與能量算子結(jié)合的聲目標(biāo)特征參數(shù)[J];探測與控制學(xué)報;2010年06期

5 蔣全勝;賈民平;胡建中;許飛云;;基于拉普拉斯特征映射的故障模式識別方法[J];系統(tǒng)仿真學(xué)報;2008年20期

6 ;MODIFIED LAPLACIAN EIGENMAP ETHOD FOR FAULT DIAGNOSIS[J];Chinese Journal of Mechanical Engineering;2008年03期

7 雷文平;韓捷;孫俊杰;董辛e，

本文編號：1942527