基于敏感特征选择与流形学习维数约简的故障诊断

针对故障诊断中特征集包含非敏感特征和维数过高的问题,提出基于特征选择(Feature selection, FS)与流形学习维数约简的故障诊断方法。提出了一种改进的核空间距离测度特征选择方法(Improved kernel distance measurement feature selection, IKMD-FS),在核空间中计算样本类间距离和类内散度,优选出使样本类间距大、类内散度小的特征,并根据特征的敏感程度对特征进行加权。通过线性局部切空间排列算法(Linear local tangent space alignment, LLTSA)对由敏感特征组成的特征子集进行特征融合,提取出对故障分类更加敏感的融合特征,并输入加权k最近邻分类器(Weighted k nearest neighbor classifier, WKNNC)进行故障识别。WKNNC具有比k最近邻分类器(k nearest neighbor classifier, KNNC)更加稳定的识别精度。最后,通过滚动轴承故障模拟实验验证了本文方法的有效性。     

基于线性局部切空间排列维数化简的故障诊断

为实现旋转机械故障诊断方法的自动化、高精度及通用性,提出基于线性局部切空间排列(Linear LocalTangent Space Alignment,LLTSA)维数化简的故障诊断模型。首先结合经验模式分解(Empirical Mode Decomposition,EMD)和自回归(Autoregression,AR)模型系数构造全面表征不同故障特性的混合域特征集,再利用LLTSA将高维混合域特征集化简为故障区分度更好的低维特征矢量,并输入到最近邻分类器(K-nearest Neighbors Classifier,KNNC)中进行故障模式识别。所提出的诊断模型充分融合混合域特征融合在故障特征的全面提取、LLTSA在信息的有效化简及KNNC在分类决策方面的优势,实现诊断方法的自动化、高识别率及较好的通用性。用深沟球轴承不同部位、不同程度故障诊断实例验证该模型的有效性。     

优化KNNC算法在滚动轴承故障模式识别中应用

为有效提高滚动轴承故障诊断率,正确识别不同故障类型,提出基于优化K-最近邻域分类器(K-Nearest Neighbor Classifier,KNNC)的轴承故障模式识别方法。分别求得滚动轴承训练样本与测试样本的振动特征指标,构建样本特征集。为加快分类速度,剔除不良样本干扰,利用K-均值聚类算法对样本进行优化精简,并将所得若干聚类中心作为新的约简训练集。据新训练集进行KNNC分析,实现模式识别。结果表明：该方法能快速、有效识别出滚动轴承4种不同故障模式,识别正确率明显提高。     

有监督不相关局部Fisher判别分析故障诊断EI北大核心CSCD

针对现有流形学习理论用于旋转机械故障诊断存在识别精度不高的问题,提出基于有监督不相关局部Fisher判别分析(Supervised Uncorrelated Local Fisher Discriminant Analysis,SULFDA)的新型故障诊断方法。首先构造全面表征不同故障特征的时频域特征集,再利用有监督不相关局部Fisher判别分析将高维时频域故障特征集化简为区分度更好的低维特征矢量,并输入到K-近邻分类器中进行故障模式辨识。有监督不相关局部Fisher判别分析在类标签指导下最小化同类流形的离散度并最大化异类流形的离散度来实现类判别,还施加了不相关约束条件使所提取的特征统计不相关,提高了针对旋转机械的故障诊断精度。深沟球轴承故障诊断实验验证了该方法的有效性。     

动态增殖流形学习算法在机械故障诊断中的应用

针对现有的批量式流形学习算法无法利用已学习的流形结构实现新增样本的快速约简的缺点,提出增殖正交邻域保持嵌入(Incremental Orthogonal Neighborhood Preserving Embedding,IONPE)流形学习算法。该算法在正交邻域保持嵌入算法基础上利用分块处理思想实现新增样本子集的动态约简。从原始样本中选取部分重叠点合并至新增样本,对重叠点和新增样本子集不依赖原始样本使用正交邻域保持嵌入(ONPE)进行独立约简获取低维嵌入坐标子集,并基于重叠点坐标差值最小化原则,将新增样本低维嵌入坐标通过旋转平移缩放整合到原样本子集中。齿轮箱故障诊断案例证实了IONPE算法具有良好的增量学习能力,在继承ONPE优良聚类特性的同时有效提高了新增样本约简效率。     

基于流形嵌入分布对齐的滚动轴承迁移故障诊断方法

针对变工况下滚动轴承不易获取带标签的振动信号,导致故障诊断准确率低等问题,提出一种基于自适应噪声完整经验模态分解(CEEMDAN)与流形嵌入分布对齐的滚动轴承迁移故障诊断方法。采用CEEMDAN对不同工况下滚动轴承振动信号进行分解,得到若干内禀模态分量(IMF);提取峭度较大的IMF分量的时域和频域特征构造多特征样本集,将所提特征嵌入流形空间进行流形特征变换,同时,对变换后的流形特征动态分布对齐;利用源域数据和目标域数据训练分类模型,以获得未知标签的滚动轴承故障诊断结果。实验表明,所提方法能够最小化域间特征分布差异,有效提高滚动轴承状态识别的准确率。     

基于局部线性嵌入和云神经网络的转子故障诊断方法

提出了一种基于流形学习的汽轮机转子故障诊断方法。利用振动信号构造一个能够表示该信号的矩阵作为流形学习的输入数据,使用局部线性嵌入算法对矩阵进行维数约简,实现了高维数据向低维空间的嵌入,从而有效提取了故障特征。文中使用云神经网络分类器测试LLE算法输出维数大于3时的故障诊断率,并分析了各个参数对诊断率的影响。该方法克服了在样本较少的情况下故障诊断的困难,能在有限的故障数据中发掘故障特征并进行故障诊断。     

一种基于非线性流形学习的故障特征提取模型

流形学习作为一种挖掘高维非线性数据内在几何分布特征的有效方法,可用于故障信号的特征提取。针对机械故障诊断中的非线性、故障征兆复杂的诊断问题,提出了一种基于非线性流形学习的故障特征提取模型。该模型针对采集样本的不同处理情形,分别运用Laplacian Eigenmaps算法及其增量、监督算法,进行故障样本的特征提取与分类,由于采用非线性的维数约简方式,极大地保留了故障信号中的整体几何结构信息,增强了故障模式识别的分类性能。最后通过工程实例应用,表明了所提特征提取模型的可行性和有效性。     

基于独立特征选择与流形学习的故障诊断

为了有效利用特征集所包含的敏感特征进行故障诊断,提出基于独立特征选择(Individual Feature Selection,IFS)与流形学习的故障诊断方法。从多个角度提取振动信号的混合特征,构建原始高维特征集。采用一种改进的核Fisher特征选择方法为每两类故障状态独立选择敏感特征集,并通过线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)算法挖掘出可区分度更高的特征子集。采用"一对一"的方法训练多个二类分类支持向量机(Supported Vector Machine,SVM),将得到的低维特征输入多分类故障诊断模型进行识别。液压泵故障诊断实验表明,所提方法具备较高的诊断准确率。     

基于ASL-Isomap流形学习的滚动轴承故障诊断方法

针对滚动轴承故障特征集维数高及冗余问题,提出一种基于自适应自组织增量学习神经网络界标点的等度规映射(Adaptive self-organizing incremental neural network landmark Isomap,ASL-Isomap)流形学习的滚动轴承故障诊断方法。首先,从时域、频域、时频域以及复杂域提取振动信号的故障特征,构建高维混合域故障特征集;其次,采用ASL-Isomap方法对高维混合域故障特征集进行维数约简,提取出低维、敏感特征子集;最后,应用核极限学习机(Kernel extreme learning machine,KELM)分类器对低维特征进行故障识别。ASL-Isomap方法集成自适应邻域构建和SOINN界标点选取的优势,能够更有效挖掘数据的低维本质流形。圆柱滚子轴承故障诊断实验验证该故障诊断方法的有效性和优越性。     

基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断

针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。     

基于深度度量学习的轴承故障诊断方法

针对机械大数据因故障类内离散度和类间相似度较大而导致诊断精度低的问题,提出一种深度度量学习故障诊断方法,采用深度神经网络(Deep Neural Network, DNN)对故障特征进行自适应提取,并利用基于欧氏距离的边际Fisher分析(Marginal Fisher Analysis, MFA)方法进行了优选,在构建的深度度量网络(Deep Metric Network, DMN)顶层特征输出层添加BPNN(Back Propagation Neural Network, BPNN)分类器对网络参数进行微调,并实现故障的分类识别。通过对不同类型和严重程度的轴承故障进行了诊断分析,验证了该方法可以有效地对轴承故障进行高精度诊断,效果优于传统深度信念网络(Deep Belief Network, DBN)故障诊断方法以及常用时域统计特征结合支持向量机(Support Vector Machine, SVM)分类的故障诊断方法。     

基于局部切空间排列与MSVM的齿轮箱故障诊断

针对齿轮箱故障特征重叠难以有效分离问题,提出基于局部切空间排列与多核支持向量机的齿轮箱故障诊断模型。在由振动信号时域统计指标及内禀模态分量能量构造的多元特征空间中,据局部切空间排列算法对多元特征进行非线性降维处理,得到初始低维流形结构,获取最优敏感特征向量;将该特征向量输入至多核支持向量机进行学习训练与故障辨识。局部切空间排列能克服传统降维方法的不足,多核支持向量机可实现复杂故障高精度、自动化智能诊断。通过齿轮箱故障模拟实验验证该方法的有效性。     

数据特征选择与分类在机械故障诊断中的应用

针对机械故障数据的高维性和不平衡性,提出基于格拉斯曼流形的多聚类特征选择和迭代近邻过采样的故障分类方法。对采集到的振动信号,提取时域和频域相关特征,利用多聚类特征选择将高维数据以局部流形结构映射到低维特征集合。无标签样本借助迭代近邻过采样以恢复最大平衡性为目标进行样本分类,并对剩余无标签样本进行模糊分类。选取滚动轴承正常、外圈、内圈以及滚动体的故障数据,并与支持向量机、基于图的半监督学习算法进行对比。结果表明,提出的方法能有效识别出少数类故障,并在整体上有显著的分类效果。     

基于BDPCA聚类算法的航空发动机故障数据标记

航空发动机作为飞行器的动力核心对飞行器的安全飞行有着举足轻重的作用,保证航空发动机的平稳运行对飞行安全有着重大意义。在基于有监督学习的航空发动机故障诊断技术不断取得进展的同时,如何将平时获取的大量未标记数据转换为能够用来训练故障诊断模型的带标记数据,成为了制约行业发展的一大瓶颈。针对这一问题引入了基于无监督学习的DPCA算法,用以实现对未标记数据集的准确分类与标记,并针对DPCA算法在局部密度计算与簇类别数选择方面的缺陷进行了优化:针对原始DPCA算法应用标准高斯核计算局部密度易造成误识别的状况,引入共享邻域算法对局部密度的计算方法进行优化;针对原始DPCA算法需要人工研判确定簇类别数易造成的误识别状况,引入BIC选择准则对簇类别数的选择方法进行优化;提出了原始DPCA算法与共享邻域算法以及BIC选择准则相结合的BDPCA算法。最后应用航空发动机转子故障数据对BDPCA算法进行了性能验证并取得了良好的结果,证实了BDPCA算法在航空发动机气路故障诊断领域有较高的实用价值。     

基于独立分量分析与相关系数的机械故障特征提取

提出一种基于独立分量分析与相关系数的机械故障特征提取方法。首先对不同工况的机械振动信号分别进行独立分量分析,获得各种工况信号的独立分量,这些独立分量中蕴含了该工况的一些内在特征;接着利用样本与不同工况信号提取的独立分量的相关系数绝对值的和作为该样本的特征,与直接利用相关系数作为特征相比鲁棒性与区分程度都得到提高;最后使用支持向量机作为分类器进行识别。分别进行了齿轮故障特征提取与轴承故障特征提取实验,实验结果表明,此方法可以很好地提取机械故障特征信息。本文方法的优点在于直接从振动信号的原始数据中进行特征提取,获取机械故障蕴含的一些特征,应用范围广,具有较高地工程应用价值。     

基于改进判别字典学习的故障诊断方法

近年来,基于稀疏表示的分类技术在模式识别中取得一定的成功。该框架中,字典的学习和分类器的训练通常是两个独立的模块,降低了方法的识别精度。针对以上问题,提出了一种特征提取和模式识别相融合的改进判别字典学习模型,将重构误差项、稀疏编码判别项及分类误差项进行了整合,并用K奇异值分解算法对目标函数进行优化,实现了字典和分类器的同步学习。该方法先对原始信号进行经验模态分解,并从分解的本征模态函数中提取时、频特征,形成故障样本;然后将训练样本输入改进模型用K奇异值分解优化;最后用习得字典及分类器权重对测试样本进行识别。实验结果表明：该算法不但适用于小样本故障问题,而且鲁棒性和分类性能都明显高于其它算法。         

基于自适应深度卷积神经网络的发射车滚动轴承故障诊断研究

作为发射车的关键组成部件,滚动轴承的工作环境复杂,故障诊断困难。提出一种自适应深度卷积神经网络,针对传统CNN诊断方法存在的计算效率较低、参数调试需人工经验指导等问题,采用粒子群优化算法确定CNN模型结构和参数,应用主成分分析法将故障诊断特征学习过程可视化,评估其特征学习能力。将提出方法应用于发射车滚动轴承故障诊断,对比标准CNN、SVM、ANN诊断方法,10种工况的诊断结果表明,提出方法诊断精度高且鲁棒性好。