局部切空间排列和支持向量机的故障诊断模型

提出了一种非线性流形学习和支持向量机的故障诊断模型.基于机电系统振动信号时域与频域的20个特征参数构建高维特征空间,利用局部切空间排列的非线性流形学习算法提取出隐藏其中的低维流形,网格搜索算法进行维数和邻域点参数的优化,实现高维相空间中局部邻域参数的自适应选取,获得机电系统的故障特征.利用K折交叉验证和一对一法构造支持向量机多类故障分类器,采用径向基核函数支持向量机进行机电系统的故障诊断.应用于转子试验台的3种故障状态的识别并与其他故障诊断方法进行分析比较,结果表明基于局部切空间排列和支持向量机的机电系统故障诊断模型诊断精度可达到96.6667％,可以有效提取故障的敏感特征并解决机电系统故障样本缺乏的问题.     

局部投影算法及其在非线性时间序列分析中的应用

引入了非线性时间序列的局部投影消噪算法。该算法将时间序列先进行相重构,在高维的相空间上采用局部投影的方法将相空间分解成正交的子空间,来分离时序中不同的分量。通过Lorenz模型的数值仿真分析,证实了该算法在消除非线性时间序列中随机噪声的效果。此外还讨论了局部投影算法在提取微弱特征信号中的应用。     

核函数主元分析及其在故障特征提取中的应用

提出了基于核函数主元分析的故障特征提取方法。该方法利用计算原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析，得到原始特征的非线性主元．以所选的非线性主元作为特征子空间，并应用转子试验台的故障数据对该方法进行了检验。结果表明，核函数主元分析更适于提取故障信号的非线性特征，它提取的故障特征对故障具有更好的识别能力，并对分类器具有较强的鲁棒性。     

基于局部主分量分析的胎儿心电信号提取算法

为了从孕妇腹部一个导联混合信号中提取微弱的胎儿心电信号,提出了一种基于局部主分量分析的非线性特征信号提取算法.该算法首先利用重构相空间理论从观测时间序列中重构系统的动力学特征,然后在每个相点的局部范围内利用主分量分析的算法提取母亲和胎儿心电信号.由于提取的胎儿心电信号中还含有噪声,再一次利用局部主分量分析算法就能分别提取纯净的胎儿心电信号和噪声.两组实测信号的仿真结果表明,算法具有较好的提取效果和鲁棒性.     

关联维数分析方法在液压泵多故障诊断中的应用研究

针对液压泵故障信号非线性和非平稳性特征,提出了利用相空间重构技术和分形理论相结合的特征关联维数提取方法。该方法将液压泵不同故障模式下获取的一维振动信号重构到高维相空间,进行信息深层挖掘;通过对相空间特征信号关联维数变化规律的分析,找出对故障反映敏感的关联维数,由此进行故障识别。通过实验验证,该方法提取的关联维数能有效反映液压泵的故障特征,为液压泵多故障诊断方法的研究提供可靠的特征信息,具有良好的应用前景。     

基于KPCA和PSOSVM的异步电机故障诊断

针对异步电机故障振动信号具有较强的非线性特征,而传统的线性分析方法易造成振动信号非线性成分的丢失这一情况,提出一种核主元分析和粒子群支持向量机相结合的异步电机故障诊断方法。利用核函数实现输入空间到高维特征空间的非线性映射以及对映射数据的主元分析,得到原始样本的非线性主元,实现特征提取和数据压缩,将获得的核主元特征通过支持向量机进行模式识别。采用距离比值法和粒子群算法分别对核主元分析和支持向量机的参数进行双重优化选择。实验结果表明,该方法能有效提取故障信号的非线性特征,具有较强的非线性模式识别能力,相比主元分析和支持向量机方法,分类效果更好,实时性更强,可快速有效实现异步电机故障诊断。     

局部切空间排列算法用于轴承早期故障诊断

提出了一种基于经验模态分解(EMD)和局部切空间排列算法(LTSA)相结合的滚动轴承早期故障诊断方法。首先,利用经验模态分解算法分解滚动轴承不同模式下的振动信号,得到各阶本征模态分量和残余分量,提取各分量中的幅域参数和频域参数组成原始特征参数集;然后,建立基于类别可分性测度的邻域参数k选取方法,运用局部切空间排列算法实现敏感特征提取;最后,应用该方法对滚动轴承不同状态下的振动数据进行特征提取和模式识别,对比分析改进后的局部切空间排列算法与主成分分析、核主元分析以及传统局部切空间排列算法的故障模式识别能力。分析结果表明,该方法提取的滚动轴承故障特征敏感性较好,提高了故障模式识别能力,实现了滚动轴承的早期故障诊断。     

基于平稳小波变换的相空间重构方法

针对非线性信号特征提取问题,提出一种基于平稳小波变换的相空间重构方法.对信号进行多层平稳小波分解,利用得到的不同尺度小波系数进行相空间重构,通过局部切空间变换方法提取蕴涵在相空间高维数据集中信号的低维形态特征.仿真试验结果表明,非线性信号经过平稳小波变换后,吸引子轨迹与原有轨迹具有相似的结构.利用局部切空间变换可获得带有高斯白噪声的非线性信号的低维形态特征,该低维形态特征与原有非线性信号的吸引子轨迹相似.这种相空间重构方法较传统的方法具有一定的优势,可以用于提取含有噪声的机械振动信号的故障特征.     

核函数主元分析及其在齿轮故障诊断中的应用

提出了基于核函数主元分析的齿轮故障诊断方法。该方法通过计算齿轮振动信号原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析,得到原始特征的非线性主元,以所选的非线性主元作为特征子空间对齿轮工作状态进行分类识别。用齿轮在正常状态、裂纹状态和断齿状态下的试验数据对该方法进行了检验,比较了主元分析与核函数主元分析的分类效果。结果表明,核函数主元分析能有效的检测裂纹故障的出现,正确区分不同的故障模式,更适于提取故障信号的非线性特征。     

基于相空间重构和ICA-R的轴承故障特征增强方法

针对实测滚动轴承早期故障信号中故障特征频率成分微弱、难以识别及提取的问题,设计了一种结合相空间重构(phase-space reconstruction,简称PSR)和参考独立分量分析(independent component analysis with reference,简称ICA-R)的故障特征增强方法。利用相空间重构将一维时域信号拓展到高维,再进行参考独立分量分析,将所感兴趣的轴承故障特征频率成分进行增强。该方法相比传统频率提取方法具有效果好、对干扰频率抑制明显的特点。仿真结果和工程实测信号表明,该方法对滚动轴承早期故障特征提取有效可行,具有一定工程应用价值。     

面向转子故障特征提取的多尺度拉普拉斯特征映射方法

融合多尺度分解理论和流形学习思想,提出了一种面向转子故障特征提取的多尺度拉普拉斯特征映射算法。首先对转子故障振动信号进行多尺度小波包分解,提取各独立频带信号的最优尺度小波熵,构建特征参量矩阵并估计其固有维数,然后通过拉普拉斯特征映射将特征参量数据嵌入到低维本征空间,得到故障的最敏感特征,最后融合决策实现故障的准确识别。实验表明,相对于主成分分析算法、局部线性嵌入算法和拉普拉斯特征映射算法,多尺度拉普拉斯特征映射方法提取的转子故障信号特征更容易识别。     

核主元分析在透平机械状态监测中的应用

讨论了核主元分析(K erne l P rinc ipa l Com ponen t A na lys is,简称KPCA)原理,提出了基于KPCA的透平机械状态监测方法。该方法在低维特征空间利用内积核函数,实现原始空间到高维空间的非线性映射以及对高维映像数据的主元分析,从而在低维空间得到原始特征的非线性主元,并根据非线性主元构建特征子空间,实现特征提取和对透平机械状态的分类识别并监测其状态变化。对仿真数据及透平机械在正常、重负荷状态下试验数据的研究表明,KPCA分类效果比主元分析好,能有效地识别出透平机械的不同状态,并能及时监测到状态发生的变化。     

基于有监督的核局部线性嵌入的面部表情识别

流形学习方法可以有效的发现存在于高维图像空间的低维子流形并进行维数约简,近年来越来越受到生物特征识别和认知科学领域的研究者的重视。但是流形学习是一种非监督学习方法,其鉴别能力反而不如传统的维数约简方法,而且流形学习方法大多没有明晰的投影矩阵,很难直接对新样本进行维数约简。针对这两个问题,本文提出一种新的有监督的核局部线性嵌入算法(supervised kernel local linear embedding,SKLLE),并将算法应用于面部表情识别。该算法通过非线性核映射将人脸图像样本投影到高维核空间,然后将人脸图像局部流形的结构信息和样本的类别信息进行有效的结合进行维数约简,提取低维鉴别流形特征用于表情分类。SKLLE算法不仅能发现嵌入于高维人脸图像空间的低维表情子流形,而且增强了局部类间的联系,同时对新样本有较好的泛化性,实验结果表明该算法能有效的提高面部表情识别的性能。     

基于核函数PCA的齿轮箱状态监测研究

讨论核函数PCA(principal analysis component,主元分析)的算法原理,提出基于核函数PCA的齿轮箱状念监测方法。该方法借助于核函数计算得到原始特征的非线性主元,并根据非线性主元构建特征子空间,实现对齿轮箱运行状态的分类识别,并监测其状态变化。实例研究表明,核函数PCA分类效果比PCA好,能有效识别出齿轮箱的不同状念,并及时监测到齿轮箱工作状态的变化。     

Supervised locally linear embedding projection (SLLEP) for machinery fault diagnosis

Following the intuition that the measured signal samples usually distribute on or near the nonlinear low-dimensional manifolds embedded in the high-dimensional signal space, this paper proposes a new machinery fault diagnosis approach based on supervised locally linear embedding projection (SLLEP). The approach first performs the recently proposed manifold learning algorithm supervised locally linear embedding (SLLE) on the high-dimensional fault signal samples to learn the intrinsic embedded multiple manifold features corresponding to different fault modes, and map them into a low-dimensional embedded space to achieve fault feature extraction. For dealing with the new fault sample, the approach then applies local linear regression to find the projection that best approximates the implicit mapping from high-dimensional samples to the embedding. Finally fault classification is carried out in the embedded manifold space. The ball bearing data and rotor bed data are both used to validate the proposed approach. The results show that the proposed approach obviously improves the fault classification performance and outperform the other traditional approaches.     

NONLINEAR DATA RECONCILIATION METHOD BASED ON KERNEL PRINCIPAL COMPONENT ANALYSIS

In the industrial process situation, principal component analysis (PCA) is a general method in data reconciliation. However, PCA sometime is unfeasible to nonlinear feature analysis and limited in application to nonlinear industrial process. Kernel PCA (KPCA) is extension of PCA and can be used for nonlinear feature analysis. A nonlinear data reconciliation method based on KPCA is proposed. The basic idea of this method is that firstly original data are mapped to high dimensional feature space by nonlinear function, and PCA is implemented in the feature space. Then nonlinear feature analysis is implemented and data are reconstructed by using the kernel. The data reconciliation method based on KPCA is applied to ternary distillation column. Simulation results show that this method can filter the noise in measurements of nonlinear process and reconciliated data can represent the true information of nonlinear process.     

基于粒子群优化的核主元分析特征的提取技术

针对核主元分析在参数设置上的盲目性,提出应用粒子群优化算法优化核函数参数.并将核主元分析应用于特征提取中.首先建立核函数参数优化的数学模型,然后应用加速度自适应粒子群优化算法对其寻优,并通过Iris数据集进行仿真研究,验证其提取特征的有效性.将优化的核主元分析方法应用于齿轮箱典型故障的特征提取中,结果表明:参数优化的核主元分析能有效降低齿轮箱特征向量的维数,较线性主元分析取得更好的故障识别效果.该方法在机械故障信号的非线性特征提取中具有优势.