本文關(guān)鍵詞：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，由筆耕文化傳播整理發(fā)布。

【摘要】：有效的量化特征提取是設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷研究需盡快解決的關(guān)鍵基礎(chǔ)問題之一。旋轉(zhuǎn)機(jī)械產(chǎn)生的非線性非平穩(wěn)振動(dòng)信號(hào)使得由信號(hào)的統(tǒng)計(jì)特征構(gòu)成的原始高維特征空間亦呈現(xiàn)出一定的非線性,敏感信息被淹沒在大量冗余特征中。因此有必要對(duì)原始特征空間進(jìn)行優(yōu)化,即在提高樣本的類別可分性的同時(shí)設(shè)法降低特征空間維數(shù)以降低分類難度。流形學(xué)習(xí)(Manifold Learning)是一種能夠揭示掩蓋在復(fù)雜數(shù)據(jù)背后潛在本質(zhì)結(jié)構(gòu)的數(shù)據(jù)驅(qū)動(dòng)方法。該方法為基于數(shù)據(jù)分布內(nèi)在維數(shù)的故障狀態(tài)劃分提供了一條新途徑。基于此,本文運(yùn)用流形學(xué)習(xí)方法,對(duì)轉(zhuǎn)子系統(tǒng)非線性振動(dòng)信號(hào)的特征量化提取問題開展了研究。主要研究工作內(nèi)容及獲得的研究結(jié)論如下： 1)在流形學(xué)習(xí)統(tǒng)一框架下,分析對(duì)比線性流形學(xué)習(xí)方法和非線性流形學(xué)習(xí)降維方法的基礎(chǔ)上,通過理論分析與仿真實(shí)驗(yàn),闡述了基于局部流形學(xué)習(xí)的LLE法在高維非線性數(shù)據(jù)集降維的優(yōu)勢(shì)。 2)研究了在無先驗(yàn)信息的情況下,基于圖論的改進(jìn)LLE故障數(shù)據(jù)集降維方法。提出一種Dijkstra-LLE的轉(zhuǎn)子系統(tǒng)故障特征數(shù)據(jù)集降維方法,有效避免了LLE存在的短路問題。 3)為提高降維效率,提出一種Floyd-LLE的轉(zhuǎn)子系統(tǒng)故障特征數(shù)據(jù)集降維方法,與Dijkstra-LLE比較,該方法在具有和Dijkstra-LLE降維方法相似的提取敏感判別信息能力的條件下,大大縮短了數(shù)據(jù)集降維過程的計(jì)算時(shí)間。 4)為充分利用先驗(yàn)信息,對(duì)LLE的有監(jiān)督降維方法進(jìn)行了研究。在Floyd-LLE無監(jiān)督降維方法的基礎(chǔ)上,提出一種局部線性判別(Local Linear Discrimination,LLD)算法,用于轉(zhuǎn)子特征數(shù)據(jù)集降維。在原算法中引入了基于圖論的Floyd和最大間距(Maximum Margin Criterion, MMC)準(zhǔn)則,使得LLD在保持流形信息的前提下,避免高維空間高曲率數(shù)據(jù)集短路問題的同時(shí)增強(qiáng)了降維后數(shù)據(jù)的判別信息。 研究表明：在流形學(xué)習(xí)方法和圖論理論指導(dǎo)下,首先將高維數(shù)據(jù)集變?yōu)橘x權(quán)圖的形式,再運(yùn)用LLE進(jìn)行降維,可獲得較傳統(tǒng)方法更精準(zhǔn)的判別信息。從而可為非線性轉(zhuǎn)子系統(tǒng)故障數(shù)據(jù)集降維方法提供一條新途徑。
【關(guān)鍵詞】：轉(zhuǎn)子系統(tǒng) 降維 局部線性嵌入 局部線性判別
【學(xué)位授予單位】：蘭州理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：TH165.3
【目錄】：

• 目錄5-8
• 摘要8-9
• Abstract9-11
• 插圖索引11-13
• 附表索引13-14
• 第1章 緒論14-20
• 1.1 選題背景及意義14
• 1.2 機(jī)械故障診斷技術(shù)及其面臨的若干問題概述14-15
• 1.3 流形學(xué)習(xí)概述15-16
• 1.3.1 同胚15
• 1.3.2 流形的概念15-16
• 1.3.3 流形學(xué)習(xí)的任務(wù)16
• 1.4 流形學(xué)習(xí)方法及其在故障診斷中的研究進(jìn)展16-18
• 1.5 主要研究?jī)?nèi)容與全文結(jié)構(gòu)編排18-20
• 第2章 轉(zhuǎn)子系統(tǒng)故障數(shù)據(jù)集典型降維方法簡(jiǎn)介20-28
• 2.1 引言20
• 2.2 典型降維方法簡(jiǎn)介20-26
• 2.2.1 降維過程描述20
• 2.2.2 線性流形學(xué)習(xí)方法20-22
• 2.2.2.1 主成分分析(PCA)20-22
• 2.2.2.2 費(fèi)歇判別分析(FDA)22
• 2.2.3 非線性流形學(xué)習(xí)方法22-26
• 2.2.3.1 局部線性嵌入算法(LLE)22-24
• 2.2.3.2 局部切空間排列算法(LTSA)24-25
• 2.2.3.3 等距特征映射算法(ISOMAP)25-26
• 2.3 分析與討論26-27
• 2.4 本章小結(jié)27-28
• 第3章 基于LLE的無監(jiān)督轉(zhuǎn)子系統(tǒng)故障數(shù)據(jù)集降維方法研究28-41
• 3.1 引言28
• 3.2 圖論及其存儲(chǔ)表示概述28-30
• 3.2.1 圖的基本概念28-29
• 3.2.2 圖的存儲(chǔ)表示29-30
• 3.3 最短路徑算法簡(jiǎn)介30-31
• 3.3.1 邊上非負(fù)情形的單源最短路徑-Dijkstra算法30-31
• 3.3.2 所有頂點(diǎn)之間的最短路徑-Floyd算法31
• 3.4 數(shù)據(jù)降維算法設(shè)計(jì)31-32
• 3.5 應(yīng)用情況分析32-40
• 3.5.1 Double-Swissroll數(shù)據(jù)集實(shí)例降維32-33
• 3.5.2 轉(zhuǎn)子系統(tǒng)故障數(shù)據(jù)集降維33-36
• 3.5.2.1 原始特征空間的構(gòu)成33-35
• 3.5.2.2 原始特征空間優(yōu)化35-36
• 3.5.3 分析與討論36-40
• 3.6 本章小結(jié)40-41
• 第4章 基于LLE的有監(jiān)督轉(zhuǎn)子系統(tǒng)故障數(shù)據(jù)集降維方法研究41-53
• 4.1 引言41
• 4.2 基本方法簡(jiǎn)介41-44
• 4.2.1 鄰域保持投影(NPP)法41-42
• 4.2.2 最大間距(MMC)準(zhǔn)則42-43
• 4.2.3 概率神經(jīng)網(wǎng)絡(luò)計(jì)算過程簡(jiǎn)介43-44
• 4.3 LLD數(shù)據(jù)降維公式推導(dǎo)44-45
• 4.4 LLD故障特征數(shù)據(jù)集降維方法設(shè)計(jì)45-46
• 4.5 LDD故障特征數(shù)據(jù)集降維與分類46-52
• 4.5.1 轉(zhuǎn)子系統(tǒng)原始故障特征數(shù)據(jù)集的構(gòu)建46-48
• 4.5.2 費(fèi)歇準(zhǔn)則下轉(zhuǎn)子系統(tǒng)有效故障特征的選取48-49
• 4.5.3 轉(zhuǎn)子系統(tǒng)故障數(shù)據(jù)集LDD降維49-51
• 4.5.4 轉(zhuǎn)子系統(tǒng)概率神經(jīng)網(wǎng)絡(luò)故障模式識(shí)別51-52
• 4.6 分析與討論52
• 4.7 本章小結(jié)52-53
• 第5章 基于Matlab GUI的轉(zhuǎn)子故障診斷系統(tǒng)的實(shí)現(xiàn)53-64
• 5.1 引言53
• 5.2 轉(zhuǎn)子故障診斷監(jiān)測(cè)系統(tǒng)的作用概述53-54
• 5.3 Matlab GUI簡(jiǎn)介54-55
• 5.4 Matlab圖形用戶界面設(shè)計(jì)方法55
• 5.4.1 設(shè)計(jì)原則55
• 5.4.2 設(shè)計(jì)方法55
• 5.5 基于Matlab GUI的轉(zhuǎn)子故障診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)55-63
• 5.5.1 基于Matlab GUI的轉(zhuǎn)子故障診斷系統(tǒng)的功能55-56
• 5.5.1.1 信號(hào)分析系統(tǒng)55-56
• 5.5.1.2 特征提取與故障決策56
• 5.5.2 基于Matlab GUI的轉(zhuǎn)子故障診斷系統(tǒng)的實(shí)現(xiàn)56-63
• 5.6 本章小結(jié)63-64
• 總結(jié)與展望64-66
• 全文總結(jié)64
• 工作展望64-66
• 參考文獻(xiàn)66-72
• 致謝72-73
• 附錄A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄73-74
• 附錄B 參加科研項(xiàng)目情況74

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前10條

1 李子榮;杜明輝;;基于局部邊界鑒別分析的人臉識(shí)別[J];電子與信息學(xué)報(bào);2009年03期

2 羅磊;李躍華;;基于LLE的分類算法及其在被動(dòng)毫米波目標(biāo)識(shí)別中的應(yīng)用[J];電子與信息學(xué)報(bào);2010年06期

3 許馨;吳福朝;胡占義;羅阿理;;一種基于非線性降維求正常星系紅移的新方法[J];光譜學(xué)與光譜分析;2006年01期

4 董冀媛;穆志純;歐陽定恒;;基于改進(jìn)的局部切空間排列算法的多姿態(tài)人耳識(shí)別[J];北京科技大學(xué)學(xué)報(bào);2010年12期

5 蔣勝利;張軍英;許進(jìn);;一種線性局部切空間判別分析算法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年10期

6 曾憲華;羅四維;;動(dòng)態(tài)增殖流形學(xué)習(xí)算法[J];計(jì)算機(jī)研究與發(fā)展;2007年09期

7 孟德宇;徐宗本;戴明偉;;一種新的有監(jiān)督流形學(xué)習(xí)方法[J];計(jì)算機(jī)研究與發(fā)展;2007年12期

8 王耀南;張瑩;李春生;;基于核矩陣的Isomap增量學(xué)習(xí)算法研究[J];計(jì)算機(jī)研究與發(fā)展;2009年09期

9 鄭忠龍;暢雪萍;楊杰;;等同鄰域投影[J];計(jì)算機(jī)研究與發(fā)展;2010年07期

10 李勇;陳賀新;趙剛;孫中華;陳綿書;;基于可變k近鄰LLE數(shù)據(jù)降維的圖像檢索方法[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2008年04期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 劉永斌;基于非線性信號(hào)分析的滾動(dòng)軸承狀態(tài)監(jiān)測(cè)診斷研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2011年

2 王廣斌;基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械故障診斷方法研究[D];中南大學(xué);2010年

3 尹峻松;流形學(xué)習(xí)理論與方法研究及在人臉識(shí)別中的應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2007年

  本文關(guān)鍵詞：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，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：422408