隨著科學技術的飛速發(fā)展,機械設備在實際工作中每時每刻都會產(chǎn)生大量數(shù)據(jù),然而這些數(shù)據(jù)中只有部分信息能夠為我們所用。因此如何從這些數(shù)據(jù)中提取出敏感特征,是如今機器學習領域中的研究熱點。特征選擇算法能夠從海量數(shù)據(jù)中篩選出分類性能較優(yōu)的特征,為能夠得到分類精度高的最優(yōu)特征子集提供了新的思路。據(jù)此,為有效降低故障數(shù)據(jù)集維度,提取出對分類器敏感的最優(yōu)特征子集,本文展開對特征選擇方法的研究。主要研究內容及結果如下:(1)對特征選擇方法的發(fā)展狀況做了簡要介紹,并對幾種常見方法進行總結。針對能夠提取出有效表征故障信息的最優(yōu)特征子集問題,提出基于ReliefF算法和粒子群算法(Particle Swarm Optimization,PSO)的混合特征選擇算法,在雙跨度轉子實驗臺上對所建立的方法性能進行了計算驗證,該方法能夠得到精簡的特征子集,明顯改善了故障類型的識別精度。(2)為提高故障數(shù)據(jù)集的分類精度,提出一種混合ReliefF與量子粒子群優(yōu)化算法(QuantumParticle Swarm Optimization,QPSO)的特征選擇方法。該方法首先利用ReliefF算法對原始故障數(shù)據(jù)集各特征進行初...

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 選題背景及意義
    1.2 故障特征選擇研究的國內外發(fā)展狀況
    1.3 故障特征提取方法簡介
        1.3.1 時域特征提取
        1.3.2 頻域特征提取
        1.3.3 時頻域特征提取
    1.4 主要研究內容與安排
第2章 振動信號故障特征提取的基本原理簡介
    2.1 引言
    2.2 流形學習方法簡介
        2.2.1 等距映射算法
        2.2.2 海塞局部嵌入算法
        2.2.3 局部保留投影算法
        2.2.4 t分布隨機鄰域嵌入算法
    2.3 本章小結
第3章 特征選擇的基本原理與應用
    3.1 引言
    3.2 特征選擇方法的分類
        3.2.1 按照子集獲取與搜索準則
        3.2.2 按照子集評價準則
        3.2.3 按照與學習算法的結合方式
    3.3 典型特征選擇方法
    3.4 混合ReliefF與PSO算法在故障特征集降維中的應用
    3.5 實驗數(shù)據(jù)與參數(shù)設置
    3.6 實驗結果與分析
    3.7 本章小結
第4章 基于ReliefF和量子粒子群算法的故障特征選擇方法研究
    4.1 引言
    4.2 ReliefF算法簡介
    4.3 QPSO算法簡介
    4.4 ReliefF-QPSO算法的設計與實現(xiàn)情況
    4.5 實驗數(shù)據(jù)與參數(shù)設置
    4.6 實驗結果與分析
    4.7 本章小結
第5章 基于EWT-MFE和t-SNE結合的旋轉機械故障診斷方法研究
    5.1 引言
    5.2 經(jīng)驗小波變換
    5.3 多尺度模糊熵理論
        5.3.1 模糊熵
        5.3.2 多尺度模糊熵
    5.4 t-SNE原理簡介
    5.5 EWT-MFE與tSNE結合的故障診斷方法的設計與實現(xiàn)
    5.6 實驗數(shù)據(jù)與參數(shù)設置
    5.7 實驗結果與分析
    5.8 本章小結
總結與展望
    全文總結
    研究展望
參考文獻
致謝
附錄A 攻讀學位期間所發(fā)表的學術論文目錄
附錄B 參加科研項目情況



本文編號：3770361