發(fā)布時間：2017-04-12 07:11

  本文關(guān)鍵詞：轉(zhuǎn)子故障數(shù)據(jù)降維的流形學(xué)習(xí)方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來,隨著信息技術(shù)的快速發(fā)展,如何將信息技術(shù)融入旋轉(zhuǎn)機械設(shè)備,并利用基于數(shù)據(jù)驅(qū)動的相關(guān)理論挖掘出能夠?qū)崟r反映機械狀態(tài)運行的內(nèi)在屬性的方法成了機械故障診斷發(fā)展的必然趨勢。流形學(xué)習(xí)算法作為一種新的能構(gòu)建出高維空間數(shù)據(jù)結(jié)構(gòu)的非線性數(shù)據(jù)處理算法,已成功應(yīng)用于很多領(lǐng)域,如:數(shù)據(jù)挖掘,數(shù)據(jù)模式辨識及分類,故障診斷等。然而,等距映射(Isometric Mapping,ISOMAP)和局部線性嵌入算法(Locally linear embedding,LLE)這兩種較為經(jīng)典的流形學(xué)習(xí)算法在數(shù)據(jù)處理的過程中也表現(xiàn)出各自的優(yōu)點及缺點。故針對此現(xiàn)狀,本論文主要將這兩種算法的優(yōu)缺點在核函數(shù)的理論基礎(chǔ)上進行融合,進而提出了一種新的能夠兼顧這兩種算法特點的KISOMAPLLE算法。主要的研究成果如下:(1)將兩種算法在核框架下進行融合,提出了一種新的KISOMAPLLE算法,并將其成功應(yīng)用于六大人工數(shù)據(jù)集。實驗結(jié)果表明,該算法在人工數(shù)據(jù)集中能夠成功實現(xiàn)降維外,而且具有對鄰域的選擇及噪聲的敏感性較弱、魯棒性較強的特點。(2)將KISOMAPLLE算法與其他7種算法應(yīng)用于原始轉(zhuǎn)子故障特征集,并進行數(shù)據(jù)降維及比較分析。實驗結(jié)果顯示,本文算法相較于其他幾種算法有較高的故障模式辨識準(zhǔn)確率。(3)對該算法和其他幾種算法在轉(zhuǎn)子故障數(shù)據(jù)集中隨鄰域變化關(guān)系進行了相關(guān)研究。實驗結(jié)果表明,本文算法相較于其他幾種算法對鄰域選擇敏感性較弱,與其在人工數(shù)據(jù)集實驗結(jié)果有相同的結(jié)論,繼而驗證了該算法對解決實際問題有一定的有效性及可行性。(4)將支持向量機(SVM)用粒子群算法進行優(yōu)化,進行了分類器對實驗結(jié)果的影響問題的相關(guān)實驗及研究,并對8種算法的降維結(jié)果分別應(yīng)用SVM及PSO-SVM進行了準(zhǔn)確率比較分析。實驗結(jié)果表明分類器對故障識別率有一定程度的影響,但對于本文算法影響較小。從而證明了本文提出的算法有對分類器的選擇依賴性較弱,泛化能力較強等特點。
【關(guān)鍵詞】：數(shù)據(jù)降維 流形學(xué)習(xí)算法 人工智能 故障模式辨識
【學(xué)位授予單位】：蘭州理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TH17;TP18
【目錄】：

• 摘要7-8
• Abstract8-12
• 第1章 緒論12-18
• 1.1 課題的研究背景及意義12-13
• 1.2 國類外研究現(xiàn)狀分析13-16
• 1.3 本研究的主要內(nèi)容及安排16-18
• 第2章 轉(zhuǎn)子運行狀態(tài)類型簡介及故障特征集構(gòu)造18-28
• 2.1 引言18
• 2.2 轉(zhuǎn)子試驗臺簡介18-19
• 2.3 轉(zhuǎn)子典型運行狀態(tài)類型簡介19-23
• 2.3.1 轉(zhuǎn)子不對中19-20
• 2.3.2 轉(zhuǎn)子不平衡20
• 2.3.3 松動20-22
• 2.3.4 碰摩22-23
• 2.3.5 正常23
• 2.4 故障信號的統(tǒng)計特征提取方法歸納23-27
• 2.4.1 信號的時域統(tǒng)計量分析23-25
• 2.4.2 信號的頻域統(tǒng)計量分析25
• 2.4.3 信號的時頻域統(tǒng)計量分析25-27
• 2.5 本章小結(jié)27-28
• 第3章 流形學(xué)習(xí)算法的數(shù)學(xué)原理分析28-36
• 3.1 引言28
• 3.2 流形學(xué)習(xí)算法的概念28-29
• 3.2.1 流形的概念28-29
• 3.2.2 流形學(xué)習(xí)算法的物理含義分析29
• 3.3 典型流形學(xué)習(xí)算法的原理29-35
• 3.3.1 等距映射算法（ISOMAP）29-31
• 3.3.2 局部線性嵌入算法（LLE）31-32
• 3.3.3 拉普拉斯特征映射算法（LEIGS）32-34
• 3.3.4 Hessian特征映射算法（HLLE）34-35
• 3.4 本章小結(jié)35-36
• 第4章 KISOMAPLLE算法在人工數(shù)據(jù)集的應(yīng)用方法探討36-50
• 4.1 引言36
• 4.2 核函數(shù)的概念36-37
• 4.3 核函數(shù)的性質(zhì)37
• 4.4 核函數(shù)在ISOMAP算法和LLE算法中的應(yīng)用37-39
• 4.4.1 KISOMAP算法簡介37-38
• 4.4.2 KLLE算法簡介38-39
• 4.5 基于核函數(shù)的ISOMAP算法與LLE算法的融合方法設(shè)計39-40
• 4.6 KISOMAPLLE算法在人工數(shù)據(jù)集中的應(yīng)用結(jié)果情況40-48
• 4.6.1 六種算法的降維結(jié)果比較40-44
• 4.6.2 鄰域值對算法的影響分析44
• 4.6.3 噪聲對算法的影響分析44-48
• 4.7 本章小結(jié)48-50
• 第5章 KISOMAPLLE在轉(zhuǎn)子故障診斷中的應(yīng)用50-56
• 5.1 引言50
• 5.2 類間可分性指標(biāo)的概念50-51
• 5.3 原始故障特征數(shù)據(jù)集的二次特征篩選51
• 5.4 幾種算法在轉(zhuǎn)子故障數(shù)據(jù)集中的應(yīng)用情況與分析51-52
• 5.5 數(shù)據(jù)實驗情況分析52-55
• 5.6 本章小結(jié)55-56
• 總結(jié)與展望56-58
• 主要結(jié)論56-57
• 研究展望57-58
• 參考文獻58-63
• 致謝63-64
• 附錄A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄64-65
• 附錄B 參加科研項目情況65

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 宋濤;湯寶平;鄧?yán)?;動態(tài)增殖流形學(xué)習(xí)算法在機械故障診斷中的應(yīng)用[J];振動與沖擊;2014年23期

2 方巍;鄭玉;徐江;;大數(shù)據(jù):概念、技術(shù)及應(yīng)用研究綜述[J];南京信息工程大學(xué)學(xué)報(自然科學(xué)版);2014年05期

3 屈太國;蔡自興;;一種快速的Isomap算法[J];信息與控制;2014年04期

4 張恒;趙榮珍;;故障特征選擇與特征信息融合的加權(quán)KPCA方法研究[J];振動與沖擊;2014年09期

5 王典洪;甘勝豐;張偉民;雷維新;;基于監(jiān)督雙限制連接Isomap算法的帶鋼表面缺陷圖像分類方法[J];自動化學(xué)報;2014年05期

6 石坤舉;趙榮珍;;轉(zhuǎn)子系統(tǒng)故障數(shù)據(jù)集D-LLE降維方法研究[J];機械科學(xué)與技術(shù);2014年04期

7 劉智慧;張泉靈;;大數(shù)據(jù)技術(shù)研究綜述[J];浙江大學(xué)學(xué)報(工學(xué)版);2014年06期

8 柴敏;楊悅;徐小輝;王敏;楊小燕;;面向故障診斷的航天器遙測數(shù)據(jù)降維分析技術(shù)[J];彈箭與制導(dǎo)學(xué)報;2014年01期

9 邵超;萬春紅;;基于等距映射的監(jiān)督多流形學(xué)習(xí)算法[J];模式識別與人工智能;2014年02期

10 談超;關(guān)佶紅;周水庚;;基于等角映射的多樣本增量流形學(xué)習(xí)算法[J];模式識別與人工智能;2014年02期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 江俊君;基于一致流形學(xué)習(xí)的人臉超分辨率算法研究[D];武漢大學(xué);2014年

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

3 雷迎科;流形學(xué)習(xí)算法及其應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2011年

4 李寧;粒子群優(yōu)化算法的理論分析與應(yīng)用研究[D];華中科技大學(xué);2006年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 周達麗;局部線性嵌入算法的研究及在人臉識別中的應(yīng)用[D];武漢理工大學(xué);2013年

2 王會巖;基于Curvelet變換和改進Isomap算法的人耳識別[D];重慶大學(xué);2013年

3 張恒;基于數(shù)據(jù)驅(qū)動的轉(zhuǎn)子故障特征信息建模方法研究[D];蘭州理工大學(xué);2013年

4 王善鵬;基于流形學(xué)習(xí)的滾動軸承故障特征提取方法研究[D];大連理工大學(xué);2013年

5 高翠珍;流形學(xué)習(xí)的鄰域選擇和增量算法研究[D];山西大學(xué);2012年

6 尹煥;基于ISOMAP的機械故障診斷方法研究與應(yīng)用[D];華南理工大學(xué);2012年

7 薛廣鑫;基于流形學(xué)習(xí)的汽輪機振動故障診斷方法研究[D];東北電力大學(xué);2012年

8 劉永凱;基于流形學(xué)習(xí)的汽輪機轉(zhuǎn)子振動故障診斷[D];華北電力大學(xué);2012年

9 劉琰;支持向量機核函數(shù)的研究[D];西安電子科技大學(xué);2012年

10 徐龍柱;流形學(xué)習(xí)中非線性降維方法的研究及在煙草數(shù)據(jù)中的應(yīng)用[D];中國海洋大學(xué);2011年

  本文關(guān)鍵詞：轉(zhuǎn)子故障數(shù)據(jù)降維的流形學(xué)習(xí)方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：300961