本文關(guān)鍵詞：基于半監(jiān)督PCA-LPP流形學(xué)習(xí)算法的故障降維辨識

  更多相關(guān)文章： 流形學(xué)習(xí) 局部保持投影 主元分析 故障診斷 故障辨識

【摘要】：提出一種基于半監(jiān)督思想PCA-LPP的流形學(xué)習(xí)維數(shù)約簡故障辨識方法,兼顧PCA的全局結(jié)構(gòu)和LPP的局部結(jié)構(gòu)保持以及樣本的類別信息,構(gòu)造新的投影矩陣目標(biāo)函數(shù),給出PCA-LPP流形學(xué)習(xí)算法的計算原理。采用UCI中wine數(shù)據(jù)集驗證半監(jiān)督PCA-LPP方法的維數(shù)約簡性能,并就齒輪箱故障聲發(fā)射實驗信號,以小波包能量熵作為特征向量,并將特征向量的降維結(jié)果輸入支持向量機(jī)進(jìn)行故障類型辨識。研究結(jié)果表明:半監(jiān)督PCA-LPP方法的降維結(jié)果,能夠充分考慮不同故障特征向量的差異信息,相應(yīng)的故障類型辨識精度高于PCA及LPP方法。
【作者單位】： 軍械工程學(xué)院火炮工程系;
【關(guān)鍵詞】： 流形學(xué)習(xí) 局部保持投影 主元分析 故障診斷 故障辨識
【基金】：國家自然科學(xué)基金資助項目(50775219) 軍隊科研資助項目([2011]107)~~
【分類號】：TH132.41
【正文快照】： 齒輪箱故障診斷中,原始采樣信號由于干擾成分的影響,采樣信號提取的初始故障特征往往無法有效進(jìn)行狀態(tài)識別和故障診斷[1]。故障特征的提取和降維對故障類型的識別和診斷具有非常重要的意義,然而由齒輪箱轉(zhuǎn)子結(jié)構(gòu)以及工作狀態(tài)的復(fù)雜性,載荷、摩擦等因素所引入的非線性影響[2],

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前9條

1 向丹;葛爽;;一種基于小波包樣本熵和流形學(xué)習(xí)的故障特征提取模型[J];振動與沖擊;2014年11期

2 栗茂林;梁霖;王孫安;莊健;;基于連續(xù)小波系數(shù)非線性流形學(xué)習(xí)的沖擊特征提取方法[J];振動與沖擊;2012年01期

3 張熠卓;徐光華;梁霖;張鋒;李淑智;;利用增量式非線性流形學(xué)習(xí)的狀態(tài)監(jiān)測方法[J];西安交通大學(xué)學(xué)報;2011年01期

4 梁霖;徐光華;栗茂林;張熠卓;梁小影;;沖擊故障特征提取的非線性流形學(xué)習(xí)方法[J];西安交通大學(xué)學(xué)報;2009年11期

5 栗茂林;王孫安;梁霖;;利用非線性流形學(xué)習(xí)的軸承早期故障特征提取方法[J];西安交通大學(xué)學(xué)報;2010年05期

6 王冠偉;張春霞;莊健;于德弘;;流形學(xué)習(xí)在機(jī)械故障診斷中的應(yīng)用研究[J];工程數(shù)學(xué)學(xué)報;2012年04期

7 鄧?yán)?李鋒;姚金寶;;基于流形學(xué)習(xí)和隱Markov模型的故障診斷[J];計算機(jī)集成制造系統(tǒng);2010年10期

8 劉麗娟;陳果;郝騰飛;;基于流形學(xué)習(xí)與一類支持向量機(jī)的滾動軸承早期故障識別方法[J];中國機(jī)械工程;2013年05期

9 ;[J];;年期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 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

2 張紹輝;基于流形學(xué)習(xí)的機(jī)械狀態(tài)識別方法研究[D];華南理工大學(xué);2014年

3 江麗;基于流形學(xué)習(xí)的智能診斷方法研究[D];華中科技大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 胡浩松;基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械故障識別方法研究[D];燕山大學(xué);2015年

2 肖婷;基于流形學(xué)習(xí)的滾動軸承性能退化趨勢預(yù)測研究[D];重慶大學(xué);2015年

3 萬鵬;基于流形學(xué)習(xí)的主軸系統(tǒng)故障診斷方法研究[D];北京信息科技大學(xué);2013年

4 陳守海;基于流形學(xué)習(xí)的滾動軸承早期故障識別方法研究[D];大連理工大學(xué);2014年

，

本文編號：580419