一种基于小波包样本熵和流形学习的故障特征提取模型

针对机械故障信号的非线性、故障征兆的多样性和复杂性等诊断问题,提出了一种基于小波包样本熵和流形学习的故障特征提取模型。该模型首先利用小波包的分解和重构,计算重构细节信号的样本熵,初步提取滚动轴承故障特征,然后利用流形学习法对初步的样本熵故障特征进行进一步的提取,在保留故障特征的整体几何结构信息的同时降低了特征数据的复杂度,增强了故障模式识别的分类性能。最后通过支持向量机对该模型提取的特征进行分类,通过比较初提取特征和再提取特征分类效果来验证该模型的优越性。     

邻域自适应增量式PCA-LPP在齿轮箱故障诊断中的应用EI北大核心CSCD

针对流形学习算法的增量处理问题,提出一种邻域自适应增量式PCA-LPP流形学习算法,阐述了算法的基本原理以及增量样本处理方法。对新增样本的引入,首先根据已有样本对协方差矩阵和相似矩阵进行增量更新,而后结合已有样本降维结果对新增样本降维结果进行估计,最后采用子空间迭代法实现新旧样本降维结果的更新。采用齿轮箱故障信号特征向量对邻域自适应增量式PCA-LPP流形学习算法进行检验,结果表明,邻域自适应增量式PCA-LPP流形学习算法降维后特征具有良好的故障分类识别效果。     

邻域自适应增量式PCA-LPP在齿轮箱故障诊断中的应用

针对流形学习算法的增量处理问题,提出一种邻域自适应增量式PCA-LPP流形学习算法,阐述了算法的基本原理以及增量样本处理方法。对新增样本的引入,首先根据已有样本对协方差矩阵和相似矩阵进行增量更新,而后结合已有样本降维结果对新增样本降维结果进行估计,最后采用子空间迭代法实现新旧样本降维结果的更新。采用齿轮箱故障信号特征向量对邻域自适应增量式PCA-LPP流形学习算法进行检验,结果表明,邻域自适应增量式PCA-LPP流形学习算法降维后特征具有良好的故障分类识别效果。     

基于Laplacian特征映射的被动毫米波目标识别

针对传统被动毫米波金属目标识别方法中特征提取、选择的缺点,采用Laplacian特征映射流形学习算法发现了金属目标回波信号短时傅立叶谱中低维流形的存在,并研究了其特性。通过比较测试样本与正类样本低流形的匹配程度进行分类识别,与其他性降维及基于核的非线性降维算法相比,识别率更高,且对数据混叠分布鲁棒性好。     

基于流形学习和K-最近邻分类器的旋转机械故障诊断方法

针对旋转机械故障诊断需人工干预、精度低、故障样本难以获取等问题,提出基于流形学习和K-最近邻分类器（KNNC）的故障诊断模型。提取振动信号多域信息熵以全面反映设备运行状态并构造高维特征集;利用正交邻域保持嵌入(ONPE)非线性流形学习算法的二次特征提取特性进行维数约简使特征具有更好的聚类特性;基于改进的更适用于小样本分类KNNC进行模式识别,用轴承故障诊断案例证明该模型的有效性。     

基于流形子带特征映射的转子复合故障特征提取方法

针对复合故障特征易被噪声信号淹没,传统时频分析和流形学习方法不能完整有效的挖掘故障潜在信息和进一步实现故障特征提取。在流形学习的基础上提出了一种流形子带思想并将其应用到转子复合故障特征提取研究中,进而得出了一种基于流形子带特征映射的转子复合故障特征提取方法。对故障原始信号序列进行相空间重构,结合小波包对噪声的强烈抑制性和对信号分辨率高的特点,将重构信号分解成不同频带即子带。将同故障多种工况下的同一频带融合成频带矩阵并估计其本征维数,并通过拉普拉斯特征映射算法以本征维数为依据将子带降维获取低维特征向量并提取信息熵,进一步实现故障特征提取。实验表明,相对于经典的局部线性嵌入和拉普拉斯特征映射等算法,流形子带特征映射算法不仅对单故障而且对复合故障特征进行了更完整有效的挖掘和提取。     

一种基于流形学习和 KNN算法的柴油机工况识别方法

不同负荷状态下的柴油机振动、温度、转速等信号显著不同，而机组故障信号特征往往淹没在随负荷变化而剧烈变化的信号中，因此变负荷状态下的柴油机故障监测诊断难度较大，一直困扰着柴油机的实际故障诊断工作。本文提出了一种基于流形学习和KNN算法的柴油机工况识别方法，为柴油机变负荷工况下故障监测预警打下基础。方法融合机组的多源信号特征构建特征向量，通过流形学习t-分布邻域嵌入算法（t-SNE）实现特征向量的维数约简和敏感特征提取，采用K最近邻分类算法（KNN）完成柴油机运行负荷状态的自动分类。正常及故障状态下的柴油机信号验证了方法的有效性和实用性。     

一种基于流形学习和KNN算法的柴油机工况识别方法

不同负荷状态下的柴油机振动、温度、转速等信号显著不同,而机组故障信号特征往往被淹没在随负荷变化而剧烈变化的信号中,因此变负荷状态下的柴油机故障监测诊断难度较大,一直困扰着柴油机的实际故障诊断工作。提出一种基于流形学习和KNN算法的柴油机工况识别方法,为柴油机变负荷工况下故障监测预警打下基础。方法融合机组的多源信号特征构建特征向量,通过流形学习t-分布邻域嵌入算法(t-SNE)实现特征向量的维数约简和敏感特征提取,采用K最近邻分类算法(KNN)完成柴油机运行负荷状态的自动分类。正常及故障状态下多组柴油机监测数据的处理结果验证了方法的有效性和实用性。     

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%。