本文關(guān)鍵詞： 旋轉(zhuǎn)機(jī)械故障診斷 基于多變量預(yù)測(cè)模型的模式識(shí)別方法 穩(wěn)健回歸 Kriging模型 逐步回歸 增量式半監(jiān)督　出處：《湖南大學(xué)》2014年碩士論文　論文類型：學(xué)位論文

【摘要】：對(duì)于旋轉(zhuǎn)機(jī)械故障診斷來(lái)說(shuō)，其實(shí)質(zhì)上就是進(jìn)行模式識(shí)別，目前應(yīng)用比較廣泛且已經(jīng)成熟的模式識(shí)別方法有神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，但這兩種方法都存在一些固有的缺陷。其中最為重要的是它們都未考慮所提取特征值之間具有的相互內(nèi)在關(guān)系，然而在旋轉(zhuǎn)機(jī)械故障診斷中，所提取的信號(hào)特征值之間或多或少存在一定的內(nèi)在變量關(guān)系，而且這些特征值之間的內(nèi)在關(guān)系在不同的系統(tǒng)或類別（相同的系統(tǒng)在不同的工況下）間具有顯著的不同�；诖耍� Raghuraj與Lakshminarayanan提出了一種新的模式識(shí)別方法——基于多變量預(yù)測(cè)模型的模式識(shí)別（Variable predictive mode based class discriminate，簡(jiǎn)稱VPMCD）方法，同時(shí)已在生物學(xué)上得到應(yīng)用。該方法的實(shí)質(zhì)就是充分利用特征值之間的內(nèi)在變量關(guān)系，針對(duì)不同的系統(tǒng)或類別，建立反映類別特征值之間關(guān)系的數(shù)學(xué)預(yù)測(cè)模型，從而利用這些數(shù)學(xué)預(yù)測(cè)模型對(duì)被測(cè)試樣本的特征值進(jìn)行預(yù)測(cè)，以預(yù)測(cè)誤差平方和作為判別分類依據(jù)，進(jìn)一步進(jìn)行模式識(shí)別。由于所建立的模型含有非線性模型，可以解決多變量描述的非線性系統(tǒng)模式識(shí)別問(wèn)題，因此本文將VPMCD方法引入旋轉(zhuǎn)機(jī)械故障診斷中，采用VPMCD作為分類器對(duì)旋轉(zhuǎn)機(jī)械的工作狀態(tài)和故障類型進(jìn)行分類，并對(duì)VPMCD本身進(jìn)行了較為全面地研究，提出了改進(jìn)的VPMCD方法。通過(guò)實(shí)驗(yàn)數(shù)據(jù)的分析結(jié)果表明，VPMCD及其改進(jìn)的VPMCD方法可以有效地應(yīng)用于旋轉(zhuǎn)機(jī)械故障診斷當(dāng)中。 本文主要研究?jī)?nèi)容如下： 1.介紹了目前應(yīng)用比較廣泛的模式識(shí)別方法，討論了它們的基本分類原理和主要優(yōu)缺點(diǎn)，并在此基礎(chǔ)上引入多變量預(yù)測(cè)模型模式識(shí)別方法。通過(guò)探討VPMCD的基本原理及應(yīng)用，證明了該方法應(yīng)用的可行性。 2.將VPMCD方法應(yīng)用于旋轉(zhuǎn)機(jī)械故障診斷中，并且與局部特征尺度分解（Local characteristic-scale decomposition，簡(jiǎn)稱LCD）降噪方法、模糊熵特征提取方法相結(jié)合。通過(guò)實(shí)驗(yàn)數(shù)據(jù)分析，相對(duì)于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等模式識(shí)別方法，VPMCD避免了神經(jīng)網(wǎng)絡(luò)的迭代學(xué)習(xí)和支持向量機(jī)的尋優(yōu)過(guò)程，大大減少了運(yùn)算量，縮短了分類時(shí)間。另外，VPMCD中預(yù)測(cè)模型的建立本質(zhì)上是參數(shù)估計(jì)的過(guò)程，從而避免了神經(jīng)網(wǎng)絡(luò)中結(jié)構(gòu)和類型的選擇，以及支持向量機(jī)中核函數(shù)和參數(shù)的選擇。因此，VPMCD模式識(shí)別方法受主觀因素的影響較少，所得分類結(jié)果更客觀、更準(zhǔn)確。 3.針對(duì)所提取的特征值中含有不相關(guān)性、較小相關(guān)性和冗余特征值，對(duì)所提取的特征值通過(guò)基于Wrapper模式的距離評(píng)價(jià)技術(shù)（Distance evaluation technique，簡(jiǎn)稱DET）方法進(jìn)行特征選擇，剔除了不相關(guān)性、較小相關(guān)性和冗余特征值，從而選出對(duì)類最敏感的特征值。另外，VPMCD是采用最小二乘回歸擬合參數(shù)，而最小二乘法本身存在一些固有的缺陷，，使得建立的預(yù)測(cè)模型達(dá)不到分類要求，本文采用穩(wěn)健回歸代替最小二乘回歸進(jìn)行參數(shù)估計(jì)，避免了最小二乘的缺陷，從而可以得到比較真實(shí)的預(yù)測(cè)模型。 4.將逐步回歸應(yīng)用于VPMCD進(jìn)行模式識(shí)別，通過(guò)對(duì)變量的逐個(gè)加入或者刪除，把所有對(duì)模型顯著的特征保留下來(lái)，不顯著的予以剔除，從而利用嵌入式同時(shí)實(shí)現(xiàn)特征選擇和建模分類兩大功能。另外，VPMCD對(duì)于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)最大的優(yōu)點(diǎn)就是當(dāng)特征值較少時(shí)的時(shí)效性，但是特征值較多時(shí)，VPMCD就不具備時(shí)效性，即維數(shù)較高的特征量具有較低的效率，不利于在線診斷的進(jìn)行，基于逐步回歸的VPMCD可以有效地解決特征維數(shù)較高時(shí)對(duì)VPMCD的影響。 5.將拉普拉斯特征映射算法（Laplacian Eigenmaps，簡(jiǎn)稱LE）和Kriging函數(shù)應(yīng)用于VPMCD進(jìn)行模式識(shí)別，對(duì)所提取的高維特征通過(guò)LE流形學(xué)習(xí)方法進(jìn)行特征壓縮，得到具有內(nèi)在規(guī)律性的低維特征，這些低維特征恰好符合VPMCD的建模原理，且保留了信息的本質(zhì)特征，有利于故障的診斷。另外，將Kriging函數(shù)應(yīng)用于VPMCD中，當(dāng)特征集中數(shù)據(jù)之間的關(guān)系較為復(fù)雜時(shí)，原VPMCD中四種回歸模型很難準(zhǔn)確建立預(yù)測(cè)模型，而基于Kriging函數(shù)的VPMCD方法采用以回歸模型為主，相關(guān)模型為輔，從而可以建立更加真實(shí)地預(yù)測(cè)模型。因此，將LE流形學(xué)習(xí)、Kriging函數(shù)和VPMCD三者結(jié)合起來(lái)，可以有效地提取特征、建立模型和模式識(shí)別。 6.將增量式和半監(jiān)督理論應(yīng)用于VPMCD模式識(shí)別方法中。增量式半監(jiān)督VPMCD模式識(shí)別方法通過(guò)三階段的學(xué)習(xí)，篩選出偽標(biāo)識(shí)樣本參與VPMCD訓(xùn)練，有效地解決了小樣本情況診斷的缺陷；通過(guò)半監(jiān)督學(xué)習(xí)，使得VPMCD充分利用未知樣本中的有用信息，使得建立的預(yù)測(cè)模型更加真實(shí)，有效地提高了識(shí)別精度。另外，由于利用小樣本建立的預(yù)測(cè)模型屬于診斷前的前處理階段，而增量式半監(jiān)督VPMCD只是引入偽標(biāo)記樣本對(duì)模型的更新，大大縮短了分類時(shí)間，從而為在線診斷提供了可能。通過(guò)理論分析、仿真數(shù)據(jù)及實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證，結(jié)果表明了該方法的有效性。
[Abstract]:......
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TH165.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 茍鵬;劉蔚;崔維成;;船舶結(jié)構(gòu)多學(xué)科設(shè)計(jì)優(yōu)化近似方法的比較(英文)[J];船舶力學(xué);2007年06期

2 麻金繼;李素文;;基于穩(wěn)健回歸M估計(jì)的差分吸收光譜反演方法(英文)[J];光子學(xué)報(bào);2009年08期

3 李巍華;劉雯;;基于圖論和直推式支持矢量機(jī)的齒輪早期故障診斷[J];機(jī)械工程學(xué)報(bào);2010年23期

4 馮志鵬,宋希庚,薛冬新,謝宇,鄧東風(fēng);旋轉(zhuǎn)機(jī)械振動(dòng)故障診斷理論與技術(shù)進(jìn)展綜述[J];振動(dòng)與沖擊;2001年04期

5 程軍圣;鄭近德;楊宇;;一種新的非平穩(wěn)信號(hào)分析方法——局部特征尺度分解法[J];振動(dòng)工程學(xué)報(bào);2012年02期

本文編號(hào)：1521550