發(fā)布時(shí)間：2018-02-27 10:08

  本文關(guān)鍵詞： 故障診斷 核監(jiān)督局部保留投影 ReliefF特征選擇 加權(quán)K近鄰分類器　出處：《振動(dòng)與沖擊》2016年08期 　論文類型：期刊論文

【摘要】：針對(duì)旋轉(zhuǎn)機(jī)械高維故障特征集識(shí)別精度低的問(wèn)題,提出基于核監(jiān)督局部保留投影(Kernel Supervised Locality Preserving Projection,KSLPP)與Relief F特征加權(quán)的K近鄰(Relief F Weighted K-Nearest Neighbor,RWKNN)分類器相結(jié)合的維數(shù)約簡(jiǎn)故障診斷方法。該方法首先應(yīng)用KSLPP提取故障特征集中的非線性信息,同時(shí)在降維投影過(guò)程中充分利用類別信息,使降維后最小化類內(nèi)散度,最大化類間分離度;隨后,將降維后得到的低維敏感特征集輸入RWKNN進(jìn)行模式識(shí)別,RWKNN能夠突出不同特征對(duì)分類的貢獻(xiàn)率,強(qiáng)化敏感特征,弱化不相關(guān)特征,提升了分類精度和魯棒性。最后,通過(guò)典型轉(zhuǎn)子實(shí)驗(yàn)臺(tái)的故障特征集驗(yàn)證了該方法的有效性。
[Abstract]:Aiming at the problem of low recognition accuracy of high dimensional fault feature set of rotating machinery, A dimension reduction fault diagnosis method based on Kernel Supervised Locality Preserving projection KSLPPand Relief F feature weighted K-nearest neighbor Relief F K-nearest neighbor classifier is proposed. Firstly, KSLPP is used to extract nonlinear information from the fault feature set. At the same time, in the process of dimensionality reduction projection, the class information is fully utilized to minimize the intra-class divergence and maximize the inter-class separation after dimensionality reduction. When the reduced dimension sensitive feature set is input into RWKNN for pattern recognition, RWKNN can highlight the contribution of different features to the classification, strengthen the sensitive feature, weaken the irrelevant feature, and improve the classification accuracy and robustness. The effectiveness of the method is verified by the fault feature set of a typical rotor test rig.
【作者單位】： 蘭州理工大學(xué)機(jī)電工程學(xué)院;
【基金】：高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金(20136201110004)
【分類號(hào)】：TH17

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳法法;湯寶平;馬婧華;尹愛(ài)軍;;基于遺傳退火優(yōu)化MSVM的齒輪箱故障診斷[J];振動(dòng).測(cè)試與診斷;2014年04期

2 蘇祖強(qiáng);湯寶平;姚金寶;;基于敏感特征選擇與流形學(xué)習(xí)維數(shù)約簡(jiǎn)的故障診斷[J];振動(dòng)與沖擊;2014年03期

3 李鋒;湯寶平;陳法法;;基于線性局部切空間排列維數(shù)化簡(jiǎn)的故障診斷[J];振動(dòng)與沖擊;2012年13期

4 梁勝杰;張志華;崔立林;鐘強(qiáng)暉;;基于主成分分析與核獨(dú)立成分分析的降維方法[J];系統(tǒng)工程與電子技術(shù);2011年09期

5 霍天龍;趙榮珍;胡寶權(quán);;基于熵帶法與PSO優(yōu)化的SVM轉(zhuǎn)子故障診斷[J];振動(dòng).測(cè)試與診斷;2011年03期

6 楊藝;韓德強(qiáng);韓崇昭;;基于排序融合的特征選擇[J];控制與決策;2011年03期

7 申中華;潘永惠;王士同;;有監(jiān)督的局部保留投影降維算法[J];模式識(shí)別與人工智能;2008年02期

8 張志偉;楊帆;夏克文;楊瑞霞;;一種有監(jiān)督的LPP算法及其在人臉識(shí)別中的應(yīng)用[J];電子與信息學(xué)報(bào);2008年03期

9 祝磊;朱善安;;KSLPP:新的人臉識(shí)別算法[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2007年07期

10 于達(dá)仁,胡清華,鮑文;融合粗糙集和模糊聚類的連續(xù)數(shù)據(jù)知識(shí)發(fā)現(xiàn)[J];中國(guó)電機(jī)工程學(xué)報(bào);2004年06期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 崔業(yè)勤;高建國(guó);;代價(jià)敏感的監(jiān)督流形學(xué)習(xí)人臉識(shí)別方法[J];系統(tǒng)仿真學(xué)報(bào);2016年05期

2 王雪冬;趙榮珍;鄧林峰;;基于KSLPP與RWKNN的旋轉(zhuǎn)機(jī)械故障診斷[J];振動(dòng)與沖擊;2016年08期

3 張良;張前圖;;基于LCD模糊熵和流行學(xué)習(xí)的故障特征提取方法[J];機(jī)械強(qiáng)度;2016年02期

4 鄔戰(zhàn)軍;牛敏;許冰;牛燕雄;耿天琪;張帆;滿達(dá);;基于譜回歸特征降維與后向傳播神經(jīng)網(wǎng)絡(luò)的識(shí)別方法研究[J];電子與信息學(xué)報(bào);2016年04期

5 鄭路遠(yuǎn);;基于粗糙集理論的信貸風(fēng)險(xiǎn)評(píng)估模型研究[J];山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年02期

6 劉忠寶;趙文娟;;融合全局和局部特征的文本特征提取方法研究[J];情報(bào)探索;2016年01期

7 陳保家;吳志平;嚴(yán)文超;朱晨希;;基于LLTSA的軸承故障數(shù)據(jù)降維方法研究[J];信息通信;2016年01期

8 趙榮珍;王雪冬;鄧林峰;;基于PCA-KLFDA的小樣本故障數(shù)據(jù)集降維方法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年12期

9 潘宏俠;都衡;馬春茂;;局域波信息熵在高速自動(dòng)機(jī)故障診斷中的應(yīng)用[J];振動(dòng).測(cè)試與診斷;2015年06期

10 潘永波;;基于流形學(xué)習(xí)的柴油機(jī)振動(dòng)故障診斷方法研究[J];現(xiàn)代制造技術(shù)與裝備;2015年06期

【二級(jí)參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 宋濤;湯寶平;李鋒;;基于流形學(xué)習(xí)和K-最近鄰分類器的旋轉(zhuǎn)機(jī)械故障診斷方法[J];振動(dòng)與沖擊;2013年05期

2 李鋒;湯寶平;陳法法;;基于線性局部切空間排列維數(shù)化簡(jiǎn)的故障診斷[J];振動(dòng)與沖擊;2012年13期

3 劉慧芳;賈振元;王福吉;宗福才;;超磁致伸縮執(zhí)行器位移模型的參數(shù)辨識(shí)[J];機(jī)械工程學(xué)報(bào);2011年15期

4 程力e，

本文編號(hào)：1542219