本文選題：故障診斷　切入點(diǎn)：數(shù)據(jù)可視化　出處：《自動化學(xué)報》2017年04期

【摘要】：針對傳統(tǒng)的數(shù)據(jù)降維方法無法兼顧保持全局特征信息與局部判別信息的問題,提出一種核主元分析(Kernel principal component analysis,KPCA)和正交化局部敏感判別分析(Orthogonal locality sensitive discriminant analysis,OLSDA)相結(jié)合的轉(zhuǎn)子故障數(shù)據(jù)集降維方法.該方法首先利用KPCA算法有效降低數(shù)據(jù)集的相關(guān)性、消除冗余屬性,由此實(shí)現(xiàn)了最大程度地保留原始數(shù)據(jù)全局非線性信息的作用;然后利用OLSDA算法充分挖掘出數(shù)據(jù)的局部流形結(jié)構(gòu)信息,達(dá)到了提取出具有高判別力低維本質(zhì)特征的目的.上述方法的特點(diǎn)是通過同時進(jìn)行的正交化處理可避免局部子空間結(jié)構(gòu)發(fā)生失真,采用三維圖直觀顯示出低維結(jié)果,以低維特征子集輸入最近鄰分類器(K-nearest neighbor,KNN)的識別率和聚類分析之類間距Sb、類內(nèi)距Sw作為衡量降維效果的指標(biāo).實(shí)驗(yàn)表明該方法能夠全面地提取出全局與局部判別信息,使故障分類更清晰,相應(yīng)地識別準(zhǔn)確率得到了明顯提升.該研究可為解決高維和非線性機(jī)械故障數(shù)據(jù)集的可視化與分類問題,提供理論參考依據(jù).
[Abstract]:In view of the problem that traditional data dimension reduction methods can not keep both global feature information and local discriminant information,A novel method for reducing the dimension of rotor fault data sets based on Kernel principal component Analysis (KPCA) and orthogonal locality sensitive discriminant Analysis (OLSDA) is presented.Firstly, the KPCA algorithm is used to reduce the correlation of the data set and eliminate the redundant attributes, so that the global nonlinear information of the original data can be preserved as much as possible.Then the local manifold structure information of the data is fully mined by using OLSDA algorithm to extract the essential features with high discriminant power and low dimension.The characteristics of the above methods are that the distortion of local subspace structures can be avoided by simultaneous orthogonal processing, and the low dimensional results can be displayed directly by using 3D images.The recognition rate of K-nearest-neighbor KNNNs and the distance Sb of clustering analysis are input to the subsets of low-dimensional features, and the intra-class distance SW is used as an index to evaluate the effect of dimensionality reduction.The experiments show that the method can extract the global and local discriminant information comprehensively, make the fault classification more clear, and improve the recognition accuracy obviously.The research can provide theoretical reference for the visualization and classification of high dimensional and nonlinear mechanical fault data sets.
【作者單位】： 蘭州理工大學(xué)機(jī)電工程學(xué)院;
【基金】：國家自然科學(xué)基金(51675253) 教育部高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金(20136201110004)資助~~
【分類號】：TP277

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李月仙;韓振南;黃宏臣;寧少慧;;基于拉普拉斯特征映射的旋轉(zhuǎn)機(jī)械故障識別[J];振動與沖擊;2014年18期

2 蘇祖強(qiáng);湯寶平;劉自然;秦毅;;基于正交半監(jiān)督局部Fisher判別分析的故障診斷[J];機(jī)械工程學(xué)報;2014年18期

3 李雅倩;李穎杰;李海濱;張強(qiáng);張文明;;融合全局與局部多樣性特征的人臉表情識別[J];光學(xué)學(xué)報;2014年05期

4 李娟;王宇平;;考慮局部均值和類全局信息的快速近鄰原型選擇算法[J];自動化學(xué)報;2014年06期

5 陳法法;湯寶平;蘇祖強(qiáng);;基于等距映射與加權(quán)KNN的旋轉(zhuǎn)機(jī)械故障診斷[J];儀器儀表學(xué)報;2013年01期

6 鄭建煒;王萬良;姚曉敏;石海燕;;張量局部Fisher判別分析的人臉識別[J];自動化學(xué)報;2012年09期

7 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.測試與診斷;2011年03期

8 艾延廷;費(fèi)成巍;王志;;基于改進(jìn)模糊SVM的轉(zhuǎn)子振動故障診斷技術(shù)[J];航空動力學(xué)報;2011年05期

9 王澤杰;胡浩民;;流形學(xué)習(xí)算法中的參數(shù)選擇問題研究[J];計算機(jī)應(yīng)用與軟件;2010年06期

10 張沐光;宋執(zhí)環(huán);;LPMVP算法及其在故障檢測中的應(yīng)用[J];自動化學(xué)報;2009年06期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 姜景升;王華慶;柯燕亮;向偉;;基于LTSA與K-最近鄰分類器的故障診斷[J];振動與沖擊;2017年11期

2 張金萍;白廣彬;;基于主元分析與KNN算法的旋轉(zhuǎn)機(jī)械故障識別方法[J];機(jī)械設(shè)計與制造;2017年06期

3 趙孝禮;趙榮珍;;全局與局部判別信息融合的轉(zhuǎn)子故障數(shù)據(jù)集降維方法研究[J];自動化學(xué)報;2017年04期

4 許良鳳;王家勇;胡敏;林輝;侯登永;崔婧楠;;局部梯度DT-CWT主方向模式的表情識別[J];電子測量與儀器學(xué)報;2017年04期

5 陳鵬飛;趙榮珍;彭斌;李坤杰;;等距映射和局部線性嵌入算法集成的轉(zhuǎn)子故障數(shù)據(jù)集降維方法[J];振動與沖擊;2017年06期

6 李勇明;楊劉洋;劉玉川;王品;邱明國;謝文賓;張小恒;;基于語音樣本重復(fù)剪輯和隨機(jī)森林的帕金森病診斷算法研究[J];生物醫(yī)學(xué)工程學(xué)雜志;2016年06期

7 馬立玲;徐發(fā)富;王軍政;;一種基于改進(jìn)核Fisher的故障診斷方法[J];化工學(xué)報;2017年03期

8 徐倩倩;劉凱;侯和平;徐卓飛;;基于局部均值分解與拉普拉斯特征映射的滾動軸承故障診斷方法[J];中國機(jī)械工程;2016年22期

9 鄒裕;;云計算平臺的海量數(shù)據(jù)知識提取框架[J];計算機(jī)系統(tǒng)應(yīng)用;2016年11期

10 夏軍;裴東;王全州;孫瑜欣;;融合Gabor特征的局部自適應(yīng)三值微分模式的人臉識別[J];激光與光電子學(xué)進(jìn)展;2016年11期

【二級參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 易積政;毛峽;Ishizuka Mitsuru;薛雨麗;;基于特征點(diǎn)矢量與紋理形變能量參數(shù)融合的人臉表情識別[J];電子與信息學(xué)報;2013年10期

2 王健;馮健;韓志艷;;基于流形學(xué)習(xí)的局部保持PCA算法在故障檢測中的應(yīng)用[J];控制與決策;2013年05期

3 蔣全勝;李華榮;黃鵬;;一種基于非線性流形學(xué)習(xí)的故障特征提取模型[J];振動與沖擊;2012年23期

4 金標(biāo);胡文龍;王宏琦;;基于時空語義信息的視頻運(yùn)動目標(biāo)交互行為識別方法[J];光學(xué)學(xué)報;2012年05期

5 談銳;陳秀宏;;半監(jiān)督的局部保留投影降維方法[J];計算機(jī)工程;2012年06期

6 王文鋒;朱書華;馮以浩;丁偉利;;基于局部方向編碼的遙感影像平行邊緣識別[J];光學(xué)學(xué)報;2012年03期

7 詹曙;張芝華;葉長明;蔣建國;S.Ando;;三維人臉深度圖的流形學(xué)習(xí)-LOGMAP識別方法[J];電子測量與儀器學(xué)報;2012年02期

8 張肅;王文生;;復(fù)雜背景下運(yùn)動目標(biāo)的光學(xué)相關(guān)識別[J];光學(xué)學(xué)報;2012年01期

9 陳法法;湯寶平;董紹江;;基于粒子群優(yōu)化LS-WSVM的旋轉(zhuǎn)機(jī)械故障診斷[J];儀器儀表學(xué)報;2011年12期

10 閆德勤;劉勝藍(lán);李燕燕;;一種基于稀疏嵌入分析的降維方法[J];自動化學(xué)報;2011年11期

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 徐賀賀;陶皖;;一種全局與局部結(jié)合的兩步式重疊社區(qū)挖掘算法[J];安徽工程大學(xué)學(xué)報;2013年02期

相關(guān)重要報紙文章 前6條

1 本報評論員;正確處理好全局與局部的關(guān)系[N];林芝報(漢);2011年

2 袁浩;沖破思維定勢的樊籬[N];寧夏日報;2010年

3 山東省青島市民政局課題組;農(nóng)村社區(qū)建設(shè)須把握的幾個問題[N];中國社會報;2006年

4 記者 左玉麗;省十屆人大一次會議期間代表建議意見全部辦理完畢[N];甘肅日報;2003年

5 盛軍 高艇;善謀全局方全勝[N];中國國防報;2002年

6 陳伯春;在加深理解中推動貫徹落實(shí)[N];解放軍報;2002年

，

本文編號：1722505