【摘要】：針對(duì)故障特征屬性值域之間存在著一定相關(guān)性導(dǎo)致準(zhǔn)確分類困難的問題,提出一種能夠考慮相關(guān)系數(shù)影響作用的轉(zhuǎn)子故障數(shù)據(jù)集分類方法;該方法是將相關(guān)流形距離的邊界Fisher分析(Correlation Manifold Distance Marginal Fisher Analysis,CDMFA)與相關(guān)流形距離的K-近鄰(Correlation Manifold Distance K-Nearest Neighbor,CDKNN)分類器概念相結(jié)合在一起的結(jié)果。首先,將振動(dòng)信號(hào)集合轉(zhuǎn)換成多域、多通道高維故障特征數(shù)據(jù)集;然后,通過CDMFA將融合相關(guān)系數(shù)的相關(guān)流形距離用于度量數(shù)據(jù)樣本間的近鄰與權(quán)值,據(jù)此能更好地反映高維數(shù)據(jù)間的相似性關(guān)系,提取出能使類間距離趨大的低維特征子集;最后,將得到的低維特征子集輸入到CDKNN分類器中進(jìn)行故障模式辨識(shí)。用一個(gè)雙跨度轉(zhuǎn)子系統(tǒng)數(shù)據(jù)集與仿真數(shù)據(jù)集對(duì)所提出的方法進(jìn)行了驗(yàn)證。結(jié)果表明:本方法降維效果良好,可獲得更高的故障分類準(zhǔn)確率。研究發(fā)現(xiàn),采用相關(guān)流形距離作為信息測度的故障數(shù)據(jù)分類方法能更真實(shí)地揭示出高維特征間的幾何結(jié)構(gòu)關(guān)系;該方法可為高維故障數(shù)據(jù)集的特征屬性約簡與分類,提供降低數(shù)據(jù)規(guī)模的理論參考依據(jù)。
【圖文】：

rs序號(hào)特征參數(shù)序號(hào)特征參數(shù)序號(hào)特征參數(shù)1均值7偏斜度13均值頻率2方根幅值8峰值指標(biāo)14峭度頻率3均方幅值9波形指標(biāo)4平均幅值10斜度指標(biāo)153層小波包分5峭度11頻率中心～解頻帶能量6偏斜度16峭度指標(biāo)22特征注:1～10為時(shí)域特征;11～14為頻域特征;15～22為時(shí)頻域小波包分解的能量特征3．3設(shè)計(jì)的故障數(shù)據(jù)分類方法流程本文提出的故障分類方法流程，如圖1所示。具體實(shí)現(xiàn)過程主要以下幾個(gè)步驟:步驟1將原始振動(dòng)信號(hào)轉(zhuǎn)化為多域、多通道的高維故障特征數(shù)據(jù)集X，并將其分為訓(xùn)練樣本集X1與測試樣本集X2兩部分。圖1CDMFA與CDKNN相結(jié)合的故障分類方法流程圖Fig．1TheflowcharofthefaultclassificationmethodofCDMFAcombinedwithCDKNN步驟2將X1輸入CDMFA進(jìn)行訓(xùn)練，得到映射矩陣A，再利用A對(duì)X1、X2進(jìn)行維數(shù)約簡，得到d(1≤d＜n)低維特征矢量Y1、Y2。步驟3利用CDKNN分類器進(jìn)行故障模式辨識(shí)。將低維特征矢量Y1、Y2輸入CDKNN中，利用訓(xùn)練樣本的鄰域和類別標(biāo)簽信息，辨識(shí)出測試樣本的故障模式。4實(shí)驗(yàn)結(jié)果與分析為驗(yàn)證本文方法的有效性，選取UCI數(shù)據(jù)庫中的Iris仿真數(shù)據(jù)集［12］與轉(zhuǎn)子故障模擬實(shí)驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證。其中，用轉(zhuǎn)子故障模擬實(shí)驗(yàn)信號(hào)集合構(gòu)造的原始高維故障數(shù)據(jù)集，其特征屬性元素的構(gòu)成情況見表1。4．1Iris仿真數(shù)據(jù)實(shí)驗(yàn)Iris數(shù)據(jù)集以鳶尾花的特征作為數(shù)據(jù)來源，數(shù)據(jù)集包含150個(gè)樣本，分為3類，每類由50個(gè)樣本組成，每個(gè)樣本包含4個(gè)獨(dú)立的屬性特征，是機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、數(shù)據(jù)分類中常用的測試集與訓(xùn)練集。本文設(shè)置每類前20個(gè)樣本為訓(xùn)練樣本，后30個(gè)樣本為測試樣本集。為驗(yàn)證CDMFA相對(duì)于MFA維數(shù)約簡方法的有效性，將仿真數(shù)據(jù)集經(jīng)PCA、MFA、CDMFA降維，目標(biāo)維數(shù)為2=3－1，圖2中:(a)、(

如表2所示。圖2仿真數(shù)據(jù)特征分布圖Fig．2Featuresmapofsimulationdata表2各降維方法的識(shí)別準(zhǔn)確率Tab．2Methodsofdimensionreductionofrecognitionaccuracy%分類器不同約簡方法下平均識(shí)別準(zhǔn)確率(d=2)原始LDAMFACDMFASVM86．589．391．293．5KNN90．591．194．596．4CDKNN92．293．395．697．5結(jié)合圖2與表2可知，CDMFA算法相對(duì)于MFA改進(jìn)后性能有明顯的提升;CDKNN分類器相對(duì)于KNN較穩(wěn)定且能夠獲得更高的識(shí)別精度，說明新的測度對(duì)近鄰樣本賦予不同權(quán)重，使得測試樣本的辨識(shí)精度更高。4．2轉(zhuǎn)子故障模擬試驗(yàn)本實(shí)驗(yàn)研究對(duì)象為參考文獻(xiàn)［13］圖3所示的雙跨度轉(zhuǎn)子試驗(yàn)臺(tái)。在該試驗(yàn)臺(tái)上進(jìn)行升降速試驗(yàn)，模擬五種典型轉(zhuǎn)動(dòng)狀態(tài)即:質(zhì)量不平衡、轉(zhuǎn)子不對(duì)中、軸承松動(dòng)、動(dòng)靜碰磨以及正常。試驗(yàn)臺(tái)在6個(gè)截面處相互垂直方位上分別布置了12個(gè)電渦流傳感器，通過不同方位采集轉(zhuǎn)子系統(tǒng)的振動(dòng)信號(hào)，另在電機(jī)端安置第13個(gè)電渦流傳感器用來拾取轉(zhuǎn)速信號(hào)。在采樣頻率為5000Hz，轉(zhuǎn)速為2800r/min的情況下，截取各狀態(tài)50組樣本，其中30組作為訓(xùn)練集、20組作測試集，通過截取多域特征參數(shù)，構(gòu)建高維故障特征數(shù)據(jù)集。4．3轉(zhuǎn)子故障數(shù)據(jù)集應(yīng)用結(jié)果與分析為驗(yàn)證CDMFA的維數(shù)約簡效果，選擇PCA、LDA、LPP、MFA等降維方法與之作對(duì)比。其中，k1=5，k2=40，β=0．5，維數(shù)約簡的目標(biāo)維數(shù)參數(shù)選取參考文獻(xiàn)［14］，即目標(biāo)維數(shù)=故障類別數(shù)－1=4。將構(gòu)建的高維數(shù)據(jù)集輸入到五種降維方法，得到測試樣本前三個(gè)主元的低維嵌入效果，，如圖3所示。圖3測試樣本基于不同降維方法的降維效果Fig．3Theresultsoftestsamplebasedondifferentmethodsofdimensionreduction由圖3可知，前三個(gè)主分量在三維圖描述下，PCA、LDA、LPP、MFA降維后的各狀態(tài)都發(fā)生了一定量


本文編號(hào)：2570424