【摘要】：基于機械設備進行的過程監(jiān)測和故障診斷分析,對有效控制機械設備故障的發(fā)展和保障機械設備的安全穩(wěn)定運行具有重要的意義。利用設備的監(jiān)測振動信號進行故障診斷是一種廣泛應用的方法,但由于旋轉機械自身復雜的結構和運行環(huán)境,使得振動信號往往含有強烈的背景噪聲和干擾信號,因此,如何獲取反映故障的有效信息成為了關鍵。數(shù)據(jù)降維可以剔除原始數(shù)據(jù)中冗余和不相關信息,尋找出反映故障本質的有效數(shù)據(jù)。在實際應用中,基于振動信號多域構造的故障特征集往往維度過高且有類標樣本不足,使用傳統(tǒng)的降維方法,可能得不到理想的降維效果與分類精度。為了能充分利用現(xiàn)有無標記數(shù)據(jù)中的故障信息,解決有監(jiān)督降維泛化能力不強、無監(jiān)督學習模型不精確以及獲得更高的故障診斷精度,本文對基于半監(jiān)督降維方法的故障數(shù)據(jù)集分類進行了研究。本文的主要工作內容如下:(1)針對呈現(xiàn)出非線性的高維數(shù)據(jù)集故障類型識別率低和有標記故障樣本較少的問題,引入核方法和半監(jiān)督思想,提出了一種基于核半監(jiān)督局部Fisher判別分析(Kernerl Semi-supervised Local Fisher Discriminant Analysis,KSELF)維數(shù)約簡的故障診斷方法。該方法首先將原始故障數(shù)據(jù)集通過RBF型核函數(shù)映射到高維特征空間中,并利用SELF算法計算出最優(yōu)的投影轉換矩陣;然后基于KNN分類器對降維得到的低維特征進行訓練學習,識別出故障的類型。所提出的KSELF方法能夠充分利用部分類標樣本和大量無類標樣本中的信息,避免了LFDA算法在降維過程中因類標樣本不足引起的過學習問題,同時有效地捕捉了數(shù)據(jù)中的非線性信息。最后用雙跨度轉子實驗臺進行的故障模擬實驗驗證了所提方法的有效性。(2)在對高維非線性數(shù)據(jù)進行維數(shù)約簡時,為了保持數(shù)據(jù)的全局和局部結構及利用樣本類標的先驗信息,提出基于KPCA-SSLPP數(shù)據(jù)降維的故障診斷方法。該方法首先基于時域、頻域和時頻域分析從原始振動信號提取相應的故障特征,組建一個高維特征集;然后對高維特征集應用KPCA得到主要特征,降低特征間的相關性并最大化保持特征集中的全局非線性結構;最后使用SSLPP算法挖掘出低維局部本質特征,并將得到的低維特征向量輸入到LSSVM中進行故障類型識別。利用離心泵實驗臺進行的故障模擬實驗驗證其有效性,結果表明:所提方法與實驗中的其它降維方法相比,具有更好的降維效果,在少量標記樣本條件下,能獲得更高的故障診斷精度。(3)基于LabVIEW平臺,設計了一套應用于離心泵實驗臺的振動測試系統(tǒng)。該系統(tǒng)實現(xiàn)了離心泵運行狀態(tài)監(jiān)測、數(shù)據(jù)的采集、處理和存儲以及時域、頻域、軸心軌跡的圖譜顯示,通過在系統(tǒng)中嵌入降維算法實現(xiàn)了故障類別的辨識。
【學位授予單位】：蘭州理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TH17
【圖文】：

圖 3-2 基于 KSELF 的故障診斷流程圖結果分析數(shù)據(jù)節(jié) 3.4.3 所提方法的性能，本節(jié)采用來自于如圖 3-3 所示的雙臺的實驗數(shù)據(jù)來進行驗證。設置實驗臺采樣頻率為 5000H用 12 個電渦流傳感器分別采集該轉子實驗臺軸系不對中、軸靜碰磨和正常轉動 5 種狀態(tài)的振動信號各 80 組，選取其中的中 60%為有標簽樣本)，30 組作為測試樣本�；跁r域、頻域信號的故障特征參數(shù)，構造出 12 個通道的特征集合，如表 3252 個特征，即 252 維高維數(shù)據(jù)集。輸入到KNN進行故障辨識故障類型

3.6.2 實驗結果基于 KSELF 方法對高維故障特征集進行訓練學習與維數(shù)約簡。為表現(xiàn)一般性，權衡參數(shù)采用折中取值 β=0.5；設定 KSELF 中樣本點鄰域大小 k=7[58]，低維子空間的維數(shù) d=4（目標維數(shù)=故障類別數(shù)-1）。將得到的降維結果輸入到 KNN 分類器中訓練學習并進行故障辨識。所提方法的有效性通過以下幾個方面來進行驗證。(1) 降維可視化對比。用 PCA、KPCA、LFDA、KLFDA、SELF 算法的降維效果和 KSELF 算法進行對比驗證，得到的降維可視化結果對比如圖 3-4 所示。本章選用五折交叉驗證法獲取最優(yōu)核參數(shù)，得到 KPCA、KLFDA、KSELF 的核參數(shù)分別為 =75.6, 62.5, 20.5。(a) PCA (b) KPCA (c) LFDA

DFF1110.951110.9810.900.9710.9211 中可以看出：1) 監(jiān)督降維方法 LFDA、KLFDA、SELF、高于無監(jiān)督降維方法 PCA、KPCA，這是因為監(jiān)督降維方標簽信息，獲取有效的低維本征特征，而無監(jiān)督降維方法導作用來進行維數(shù)約簡，容易忽視大量有用的信息，使得督降維方法 SELF、KSELF 的識別率高于 PCA 和 LFDA，這承了 PCA 和 LFDA 兩種算法的優(yōu)勢，同時充分利用了標用信息；3) 引入核方法的降維算法利用核映射將特征集問題，能夠有效去除數(shù)據(jù)特征中的噪聲與冗余信息，得到驗證 KSELF 方法在數(shù)據(jù)降維問題中的優(yōu)越性，選用不同(測試樣本中 60%是標記樣本)，將各降維方法降維后的低進行故障辨識，得出不同訓練樣本比例下的降維結果在 率情況，如圖 3-5 所示。

【相似文獻】

相關期刊論文 前10條

1 林平榮;孫亞新;文貴華;;基于判別回歸與局部判別分析的維數(shù)約簡算法[J];計算機工程與設計;2017年05期

2 姜偉;楊炳儒;;基于流形學習的維數(shù)約簡算法[J];計算機工程;2010年12期

3 侯越先;吳靜怡;張揚;何丕廉;;基于統(tǒng)計判據(jù)的非線性維數(shù)約簡[J];天津大學學報;2007年01期

4 董虎勝;;KPCA維數(shù)約簡研究[J];現(xiàn)代計算機(專業(yè)版);2017年31期

5 徐瓊燕;吳印華;;基于鄰域自適應LLTSA維數(shù)約簡的故障診斷方法研究[J];機械強度;2018年01期

6 張鈺;李瑞梅;章田;;基于最長軌跡投影的3D空間手寫字符維數(shù)約簡[J];實驗室研究與探索;2018年09期

7 徐金成;李曉東;劉輝;;基于兩階段流形學習的半監(jiān)督維數(shù)約簡算法[J];計算機工程與設計;2018年08期

8 丁偉;張亞非;;維數(shù)約簡在電信運營商績效評價中的應用[J];郵電設計技術;2015年04期

9 劉佳奇;閆德勤;何陽;;基于FLPP的極端學習機人臉識別方法[J];軟件導刊;2018年04期

10 蘇祖強;湯寶平;姚金寶;;基于敏感特征選擇與流形學習維數(shù)約簡的故障診斷[J];振動與沖擊;2014年03期

相關會議論文 前4條

1 萬中英;王明文;廖海波;左家莉;;維數(shù)約簡在網頁分類中的應用[A];NCIRCS2004第一屆全國信息檢索與內容安全學術會議論文集[C];2004年

2 陳偉福;馮國燦;;局部光滑主成分分析[A];第十五屆全國圖象圖形學學術會議論文集[C];2010年

3 湯健;孫春來;毛克峰;賈美英;;基于主元分析和互信息維數(shù)約簡策略的網絡入侵異常檢測[A];第30次全國計算機安全學術交流會論文集[C];2015年

4 孫濤;劉靜;劉青山;盧漢清;;半監(jiān)督譜判別式分析[A];第六屆和諧人機環(huán)境聯(lián)合學術會議（HHME2010)、第19屆全國多媒體學術會議（NCMT2010）、第6屆全國人機交互學術會議（CHCI2010）、第5屆全國普適計算學術會議（PCC2010）論文集[C];2010年

相關博士學位論文 前10條

1 張亞紅;數(shù)據(jù)相關性分析和維數(shù)約簡方法的研究與應用[D];北京工業(yè)大學;2017年

2 劉明明;基于維數(shù)約簡與核學習的高維數(shù)據(jù)分類方法研究[D];中國礦業(yè)大學;2017年

3 杜世強;基于維數(shù)約簡的無監(jiān)督聚類算法研究[D];蘭州大學;2017年

4 殷飛;基于稀疏學習的圖像維數(shù)約簡和目標識別方法研究[D];西安電子科技大學;2014年

5 侯臣平;基于圖優(yōu)化框架的數(shù)據(jù)維數(shù)約簡方法及應用研究[D];國防科學技術大學;2009年

6 雷迎科;流形學習算法及其應用研究[D];中國科學技術大學;2011年

7 彭澄宇;圖像稀疏建模理論與應用研究[D];重慶大學;2012年

8 吳松松;維數(shù)約簡研究及其在特征提取中的應用[D];南京理工大學;2012年

9 蘇雅茹;高維數(shù)據(jù)的維數(shù)約簡算法研究[D];中國科學技術大學;2012年

10 楊藝芳;譜聚類與維數(shù)約簡算法及其應用[D];西安電子科技大學;2016年

相關碩士學位論文 前10條

1 戶文剛;基于半監(jiān)督降維的旋轉機械故障數(shù)據(jù)分類方法研究[D];蘭州理工大學;2019年

2 丁柳;高維數(shù)據(jù)的維數(shù)約簡研究[D];廈門大學;2018年

3 尹雪妍;基于低秩圖的多視角數(shù)據(jù)維數(shù)約簡方法研究[D];東北師范大學;2018年

4 趙蕊;基于多重局部約束的圖優(yōu)化維數(shù)約簡方法研究[D];東北師范大學;2017年

5 王雪冬;基于流形學習的轉子故障特征集維數(shù)約簡方法研究[D];蘭州理工大學;2016年

6 譚龍;基于近似零范數(shù)和無窮范數(shù)的維數(shù)約簡[D];天津大學;2014年

7 楊偉;半監(jiān)督學習方法研究[D];國防科學技術大學;2011年

8 王琦;機器學習研究及在風力預測中的應用[D];復旦大學;2012年

9 劉金艷;高維空間離群點檢測的局部線性嵌入方法研究[D];哈爾濱工程大學;2017年

10 董文_g;基于多特征融合與稀疏編碼的人臉識別算法研究[D];復旦大學;2013年

本文編號：2753660