發(fā)布時間：2020-11-20 17:22

　　 針對旋轉(zhuǎn)機械智能決策技術(shù)的故障數(shù)據(jù)分類問題,提出一種基于標(biāo)準(zhǔn)正交判別投影(SODP)的轉(zhuǎn)子故障數(shù)據(jù)集降維算法。該方法從時域、頻域及時頻域構(gòu)造原始故障特征集,將振動信號轉(zhuǎn)化為高維特征數(shù)據(jù)集;運用SODP選擇出其中最能反映故障本質(zhì)的敏感特征子集;將得到的低維特征子集輸入到KNN分類器中進行故障模式辨識。用一個雙跨度轉(zhuǎn)子系統(tǒng)的振動信號集合進行驗證,證明了該方法能夠有效地提取出全局與局部判別信息,使故障類別之間的差異性變得更清晰,相應(yīng)地提高了故障模式識別準(zhǔn)確率。研究表明該算法可為實際轉(zhuǎn)子智能故障診斷提供參考。
【部分圖文】：

故障診斷流程圖

為了測試加權(quán)參數(shù)α對故障識別的影響,設(shè)定間隔為0.1,α從0開始,直到α達到1。不同加權(quán)參數(shù)α的故障識別率如圖3所示。從圖3可知,不同的加權(quán)參數(shù)α對應(yīng)的故障識別率有所不同。α=0.7時,整體識別率最大,達到100%;在α=0.8以后出現(xiàn)明顯的下降。3.2 降維結(jié)果的可視化與故障辨識

從圖4可知,前三個主元在三維圖的描述下,LPP、LDA、MFA、UDP的降維效果都不好,SODP的降維效果最好,相比于ODP具有較大的類間距離、較小的類內(nèi)距離。在LPP、LDA、MFA中質(zhì)量不平衡故障、動靜碰磨、正常之間存在較大的耦合,在UDP中只有質(zhì)量不平衡故障和正常之間存在耦合。3.3 降維效果衡量指標(biāo)及KNN分類識別率
【相似文獻】

相關(guān)期刊論文 前10條

1 趙榮珍;趙孝禮;何敬舉;劉韻佳;;相關(guān)流形距離在轉(zhuǎn)子故障數(shù)據(jù)集分類中的應(yīng)用方法[J];振動與沖擊;2017年18期

2 袁德強;趙榮珍;;基于LLTSA的轉(zhuǎn)子故障數(shù)據(jù)集降維方法[J];噪聲與振動控制;2014年05期

3 陳鵬飛;趙榮珍;彭斌;李坤杰;;等距映射和局部線性嵌入算法集成的轉(zhuǎn)子故障數(shù)據(jù)集降維方法[J];振動與沖擊;2017年06期

4 王冠超;趙榮珍;張維強;;基于一種流形學(xué)習(xí)新算法的轉(zhuǎn)子故障數(shù)據(jù)集降維研究[J];機械設(shè)計與制造;2015年09期

5 胡常安;袁德強;王彭;杜文波;;增量LTSA算法在轉(zhuǎn)子故障數(shù)據(jù)集降維中的應(yīng)用[J];噪聲與振動控制;2015年01期

6 朱宗元;我國熱作模具鋼性能數(shù)據(jù)集(續(xù)Ⅰ)[J];機械工程材料;2001年02期

7 朱宗元;我國熱作模具鋼性能數(shù)據(jù)集(續(xù)ⅩⅢ)[J];機械工程材料;2002年03期

8 朱宗元;我國熱作模具鋼性能數(shù)據(jù)集(續(xù)Ⅴ)[J];機械工程材料;2001年06期

9 朱宗元;我國熱作模具鋼性能數(shù)據(jù)集(續(xù)Ⅷ)[J];機械工程材料;2001年09期

10 朱宗元;我國熱作模具鋼性能數(shù)據(jù)集(續(xù)Ⅱ)[J];機械工程材料;2001年03期

相關(guān)碩士學(xué)位論文 前10條

1 劉韻佳;基于Schur-ONPE的轉(zhuǎn)子故障數(shù)據(jù)集降維方法研究[D];蘭州理工大學(xué);2017年

2 石明寬;轉(zhuǎn)子故障數(shù)據(jù)集降維與分類方法研究[D];蘭州理工大學(xué);2020年

3 石坤舉;基于LLE算法的轉(zhuǎn)子系統(tǒng)故障特征數(shù)據(jù)集降維方法研究[D];蘭州理工大學(xué);2013年

4 馬再超;轉(zhuǎn)子故障數(shù)據(jù)分類方法研究與實驗臺測試信息系統(tǒng)開發(fā)[D];蘭州理工大學(xué);2012年

5 袁德強;基于LLTSA算法的轉(zhuǎn)子故障特征數(shù)據(jù)集降維方法研究[D];蘭州理工大學(xué);2014年

6 曾帥;基于深度學(xué)習(xí)的零件識別系統(tǒng)設(shè)計與研究[D];上海師范大學(xué);2020年

7 趙孝禮;全局與局部特征信息融合的旋轉(zhuǎn)機械故障數(shù)據(jù)集降維方法研究[D];蘭州理工大學(xué);2017年

8 張亞龍;轉(zhuǎn)子故障數(shù)據(jù)集的特征選擇方法研究[D];蘭州理工大學(xué);2016年

9 孫業(yè)北;轉(zhuǎn)子故障數(shù)據(jù)集的聚類分析方法研究[D];蘭州理工大學(xué);2017年

10 羅輝;基于深度學(xué)習(xí)的智能飲料售賣機商品識別[D];電子科技大學(xué);2020年

本文編號：2891745