本文選題：多尺度時(shí)不可逆 + t-分布鄰域嵌入　； 參考：《振動(dòng)與沖擊》2017年17期

【摘要】：為了精確地提取機(jī)械振動(dòng)信號(hào)的非線性故障特征,提出了一種新的振動(dòng)信號(hào)復(fù)雜性測(cè)量方法——多尺度時(shí)不可逆。同時(shí)結(jié)合t-分布鄰域嵌入(t-SNE)流形學(xué)習(xí)和粒子群優(yōu)化-支持向量機(jī)(PSO-SVM),提出了一種新的滾動(dòng)軸承故障診斷方法。采用多尺度時(shí)不可逆提取復(fù)雜振動(dòng)信號(hào)的特征信息;利用t-SNE對(duì)高維特征空間進(jìn)行降維;將低維特征向量輸入到基于PSO-SVM多故障模式分類器中進(jìn)行識(shí)別與診斷。將提出的方法應(yīng)用于試驗(yàn)數(shù)據(jù)分析,并與現(xiàn)有方法進(jìn)行了對(duì)比,分析結(jié)果表明,該方法不僅能夠有效地診斷滾動(dòng)軸承的工作狀態(tài)和故障類型,而且優(yōu)于現(xiàn)有方法。
[Abstract]:In order to accurately extract the nonlinear fault characteristics of mechanical vibration signals, a new method of measuring the complexity of vibration signals called multi-scale irreversibility is proposed. At the same time, a new fault diagnosis method for rolling bearing is proposed by combining t- distributed neighborhood embedding (t-SNE) manifold learning and particle swarm optimization-support vector machine (PSO-SVM). The feature information of complex vibration signal is extracted irreversibly with multi-scale, the dimension of high-dimensional feature space is reduced by t-SNE, and the low-dimensional feature vector is input into the multi-fault pattern classifier based on PSO-SVM for recognition and diagnosis. The proposed method is applied to test data analysis and compared with the existing methods. The results show that the proposed method can not only diagnose the working state and fault types of rolling bearings effectively, but also outperform the existing methods.
【作者單位】： 安徽工業(yè)大學(xué)機(jī)械工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(51505002;51305046) 安徽省高校自然科學(xué)研究重點(diǎn)資助項(xiàng)目(KJ2015A080) 安工大研究生創(chuàng)新研究基金(2016062)
【分類號(hào)】：TH133.33

【相似文獻(xiàn)】

相關(guān)期刊論文 前9條

1 宋濤;湯寶平;李鋒;;基于流形學(xué)習(xí)和K-最近鄰分類器的旋轉(zhuǎn)機(jī)械故障診斷方法[J];振動(dòng)與沖擊;2013年05期

2 向丹;葛爽;;一種基于小波包樣本熵和流形學(xué)習(xí)的故障特征提取模型[J];振動(dòng)與沖擊;2014年11期

3 栗茂林;梁霖;王孫安;莊健;;基于連續(xù)小波系數(shù)非線性流形學(xué)習(xí)的沖擊特征提取方法[J];振動(dòng)與沖擊;2012年01期

4 張熠卓;徐光華;梁霖;張鋒;李淑智;;利用增量式非線性流形學(xué)習(xí)的狀態(tài)監(jiān)測(cè)方法[J];西安交通大學(xué)學(xué)報(bào);2011年01期

5 梁霖;徐光華;栗茂林;張熠卓;梁小影;;沖擊故障特征提取的非線性流形學(xué)習(xí)方法[J];西安交通大學(xué)學(xué)報(bào);2009年11期

6 栗茂林;王孫安;梁霖;;利用非線性流形學(xué)習(xí)的軸承早期故障特征提取方法[J];西安交通大學(xué)學(xué)報(bào);2010年05期

7 王冠偉;張春霞;莊健;于德弘;;流形學(xué)習(xí)在機(jī)械故障診斷中的應(yīng)用研究[J];工程數(shù)學(xué)學(xué)報(bào);2012年04期

8 鄧?yán)?李鋒;姚金寶;;基于流形學(xué)習(xí)和隱Markov模型的故障診斷[J];計(jì)算機(jī)集成制造系統(tǒng);2010年10期

9 劉麗娟;陳果;郝騰飛;;基于流形學(xué)習(xí)與一類支持向量機(jī)的滾動(dòng)軸承早期故障識(shí)別方法[J];中國(guó)機(jī)械工程;2013年05期

相關(guān)博士學(xué)位論文 前5條

1 馬婧華;基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械早期故障融合診斷方法研究[D];重慶大學(xué);2015年

2 盧磊;機(jī)械加工過程中的早期故障微弱信號(hào)處理方法研究[D];哈爾濱工業(yè)大學(xué);2016年

3 王廣斌;基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械故障診斷方法研究[D];中南大學(xué);2010年

4 張紹輝;基于流形學(xué)習(xí)的機(jī)械狀態(tài)識(shí)別方法研究[D];華南理工大學(xué);2014年

5 江麗;基于流形學(xué)習(xí)的智能診斷方法研究[D];華中科技大學(xué);2013年

相關(guān)碩士學(xué)位論文 前7條

1 胡浩松;基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械故障識(shí)別方法研究[D];燕山大學(xué);2015年

2 陳鵬飛;轉(zhuǎn)子故障數(shù)據(jù)降維的流形學(xué)習(xí)方法研究[D];蘭州理工大學(xué);2016年

3 馬麗;基于流形學(xué)習(xí)的風(fēng)電機(jī)組齒輪箱故障診斷方法研究[D];蘭州交通大學(xué);2016年

4 崔錦;機(jī)械故障診斷中的流形學(xué)習(xí)方法研究[D];西安石油大學(xué);2016年

5 肖婷;基于流形學(xué)習(xí)的滾動(dòng)軸承性能退化趨勢(shì)預(yù)測(cè)研究[D];重慶大學(xué);2015年

6 萬鵬;基于流形學(xué)習(xí)的主軸系統(tǒng)故障診斷方法研究[D];北京信息科技大學(xué);2013年

7 陳守海;基于流形學(xué)習(xí)的滾動(dòng)軸承早期故障識(shí)別方法研究[D];大連理工大學(xué);2014年

，

本文編號(hào)：2116206