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

【摘要】：針對旋轉機械高維故障特征集識別精度低的問題,提出基于核監(jiān)督局部保留投影(Kernel Supervised Locality Preserving Projection,KSLPP)與Relief F特征加權的K近鄰(Relief F Weighted K-Nearest Neighbor,RWKNN)分類器相結合的維數(shù)約簡故障診斷方法。該方法首先應用KSLPP提取故障特征集中的非線性信息,同時在降維投影過程中充分利用類別信息,使降維后最小化類內散度,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進行模式識別,RWKNN能夠突出不同特征對分類的貢獻率,強化敏感特征,弱化不相關特征,提升了分類精度和魯棒性。最后,通過典型轉子實驗臺的故障特征集驗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】： 蘭州理工大學機電工程學院;
【基金】：高等學校博士學科點專項科研基金(20136201110004)
【分類號】：TH17

【參考文獻】

相關期刊論文 前10條

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

2 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

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

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

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

6 楊藝;韓德強;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算法及其在人臉識別中的應用[J];電子與信息學報;2008年03期

9 祝磊;朱善安;;KSLPP:新的人臉識別算法[J];浙江大學學報(工學版);2007年07期

10 于達仁,胡清華,鮑文;融合粗糙集和模糊聚類的連續(xù)數(shù)據(jù)知識發(fā)現(xiàn)[J];中國電機工程學報;2004年06期

【共引文獻】

相關期刊論文 前10條

1 崔業(yè)勤;高建國;;代價敏感的監(jiān)督流形學習人臉識別方法[J];系統(tǒng)仿真學報;2016年05期

2 王雪冬;趙榮珍;鄧林峰;;基于KSLPP與RWKNN的旋轉機械故障診斷[J];振動與沖擊;2016年08期

3 張良;張前圖;;基于LCD模糊熵和流行學習的故障特征提取方法[J];機械強度;2016年02期

4 鄔戰(zhàn)軍;牛敏;許冰;牛燕雄;耿天琪;張帆;滿達;;基于譜回歸特征降維與后向傳播神經網絡的識別方法研究[J];電子與信息學報;2016年04期

5 鄭路遠;;基于粗糙集理論的信貸風險評估模型研究[J];山東農業(yè)大學學報(自然科學版);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];情報探索;2016年01期

7 陳保家;吳志平;嚴文超;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];華中科技大學學報(自然科學版);2015年12期

9 潘宏俠;都衡;馬春茂;;局域波信息熵在高速自動機故障診斷中的應用[J];振動.測試與診斷;2015年06期

10 潘永波;;基于流形學習的柴油機振動故障診斷方法研究[J];現(xiàn)代制造技術與裝備;2015年06期

【二級參考文獻】

相關期刊論文 前10條

1 宋濤;湯寶平;李鋒;;基于流形學習和K-最近鄰分類器的旋轉機械故障診斷方法[J];振動與沖擊;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)化簡的故障診斷[J];振動與沖擊;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[J];機械工程學報;2011年15期

4 程力e，

本文編號：1542219