基于半监督邻域自适应正交局部保持映射的故障诊断

针对正交局部保持映射(OLPP)应用于故障诊断存在识别精度不高的问题,提出了基于半监督邻域自适应正交局部保持映射(SSNA-OLPP)维数约简的故障诊断新方法。该方法首先基于局部特征尺度分解(LCD)和时域、频域特征构造能全面表征故障的特征集,然后利用SSNA-OLPP对特征集进行降维以获得辨识度更高的低维特征,最后将低维特征输入SVM进行故障识别。SSNA-OLPP在局部聚集系数的指导下能够自适应的调整邻域参数,同时还利用部分样本的类别标签信息调整原始特征空间中样本间的权值矩阵,能够获得更有效的低维流形,提高了故障诊断的精度。滚动轴承故障诊断实验验证了该方法的有效性。     

基于改进局部保持映射算法的故障诊断

针对局部保持映射(LPP)应用于故障诊断存在识别精度不高的问题,提出了基于无参数监督核局部保持映射(NPSKLPP)降维的故障诊断新方法。NPSKLPP采用对离群数据更为鲁棒得余弦距离对LPP中的欧氏距离进行替换,并融入样本标签信息构造无参数近邻图,利用核方法将提取的高维故障特征映射到一个高维线性空间再进行降维,避免了相似矩阵计算过程中人为选择参数的问题,能够获得更有效的低维流形。齿轮故障诊断结果表明,该方法是有效的。     

基于正交局部保持映射的转子故障诊断方法

为了改善故障模式识别的分类性能,提出了一种基于正交局部保持映射算法的多流形特征提取方法。对于高维的非线性数据可以有效地提取低维流形特征向量,并且不会改变数据的内在属性。利用转子的振动信号构造一个高维多征兆矩阵,然后在应用正交局部保持映射将这个高维矩阵进行降维,提取低维特征向量矩阵,映射在可视空间里,从而可以有效地达到故障分类的效果,提高故障诊断的准确率。最后通过实验和数据降维仿真证明了正交局部保持映射算法的有效性和可行性。     

基于半监督LLTSA维数约简的故障诊断

线性局部切空间排列(LLTSA)为无监督的维数约简方法,在对高维故障特征集进行维数约简时,不能利用部分样本的类别标签信息,使得获得的低维特征仍出现混叠的情况。针对这个问题,提出了半监督线性局部切空间排列(SS-LLTSA)的维数约简方法,即利用部分标签信息来调整样本点与点之间的距离以形成新的距离矩阵,通过新的距离矩阵进行邻域构建,实现了数据本质流行结构和类别标签信息的结合,能够提取区分度更好的低维特征。此外,还通过支持向量机(SVM)来建立低维特征与故障类别的对应关系,实现故障诊断。SS-LLTSA维数约简增强了故障特征的辨识能力,而SVM优异的模式识别能力能够进一步提高故障诊断精度。滚动轴承的故障诊断实例验证了所提故障诊断方法的有效性。     

基于改进的有监督正交邻域保持嵌入的故障辨识

<正>交邻域保持嵌入(Orthogonal neighborhood preserving embedding,ONPE)是一种无监督的特征降维方法,且使用的是全局统一的邻域参数,在对高维故障特征集进行特征降维时,不能利用样本的类别标签信息和不能够根据样本空间分布的变化自适应调整邻域参数,使获得的低维特征仍出现混叠的情况。针对上述问题,提出了基于改进的有监督正交邻域保持嵌入(Improved supervised ONPE,IS-ONPE)特征降维的故障辨识方法。IS-ONPE利用样本的标签信息来调整样本点与点之间的距离以形成新的距离矩阵,通过新的距离矩阵进行邻域构建,同时利用局部集聚系数进行邻域参数的自适应调整,能够获得辨识度更高的低维特征。以低维特征作为支持向量机(Support Vector Machine,SVM)的输入来实现故障辨识。齿轮的故障辨识结果表明,所提出的方法能够提高故障辨识效果,具有一定优势。     

基于正交半监督局部Fisher判别分析的故障诊断

针对有标记故障样本不足和故障特征集维数过高的问题,提出基于正交半监督局部Fisher判别分析(Orthogonal semi-supervised local Fisher discriminant analysis,OSELF)的故障诊断方法。所提出的OSELF能够充分地利用蕴含于无标记故障样本中的故障信息,避免了因有标记故障样本不足引起的过学习问题,同时采用正交迭代方式求解最优正交映射矩阵,克服现有方法无法得到正交映射矩阵的不足。正交映射矩阵的基矢量统计不相关,可有效地提高所得低维特征矢量的可辨识性。通过正交映射矩阵对故障样本集和新增样本进行维数约简,并将维数约简的结果输入粗糙优化k最近邻分类器(Coarse to fine k nearest neighbor classifier,CFKNNC)进行学习训练和故障识别。所提方法集成了OSELF在维数约简和CFKNNC在模式识别的优势,有效地提高了故障诊断的精度。通过齿轮箱故障模拟试验验证了该方法的有效性。     

类均值核主元分析法及在故障诊断中的应用

核主元分析在应用过程中,通常采用累积贡献率法确定核主元个数,舍弃一些贡献率较小的核主元,导致数据样本部分信息的损失,影响故障诊断的效果。针对这一情况,提出一种类均值核主元分析法,它将输入空间的数据样本映射到高维特征空间后,先求出各类映射数据的类均值矢量,然后在类均值矢量张成的子空间上对类均值矢量进行主元分析,利用构建的类均值核矩阵,建立类均值核主元算法。由类均值核主元形成的特征矢量包含原数据样本的全部变异信息,并且维数低于故障类别数,能够在类均值矢量基础上实现无信息损失的数据降维。将改进算法应用于滚动轴承故障诊断,结果表明,它具有比传统核主元分析更强的综合原始变量信息的能力,能更好地提取数据样本的类别信息,快速实现故障模式的准确识别。     

一种半监督邻域自适应线性局部切空间排列的故障识别方法研究

线性局部切空间排列算法(Linear local tangent space alignment,LLTSA)是能够较好应用于模式识别问题的降维方法,但由于其属于无监督的降维方法且在降维过程中只使用全局统一的邻域参数,使得在对高维数据集进行约简时,不能利用部分样本的类别标签信息且不能根据样本空间分布的变化调整邻域参数。针对上述问题,提出了一种半监督邻域自适应线性局部切空间排列算法(Semi-supervised neighborhood self-adaptive LLTSA,SSNA-LLTSA)。该算法在LLTSA的基础上,利用部分标签信息来调整样本点与点之间的距离以形成新的距离矩阵来完成邻域构建,同时根据每个数据样本点邻域的概率密度自适应地调整邻域参数,进而得到更好的降维效果。经典的三维流形、UCI典型数据集模式识别和轴承故障诊断的实验结果表明,该算法克服了LLTSA算法无监督和使用全局统一邻域参数的不足,可更有效地寻找数据的低维本质流形,提高了识别准确率,具有一定优势。     

基于转子故障数据集的KSELF降维方法

针对故障诊断中呈现强非线性的故障数据集维数过高以及有标签故障样本不足的问题,引入核方法和半监督思想,提出了一种基于核半监督局部Fisher判别分析(kernel semi-supervised local Fisher discriminant analysis,简称KSELF)的降维方法。首先,通过核方法将原始故障数据集映射到高维特征空间中;其次,在高维空间中基于半监督局部Fisher判别分析得出投影转换矩阵;最后,用一双跨度转子实验台的故障特征数据集对所提出的方法进行了验证。所提出的KSELF降维方法能够有效捕捉数据的非线性信息,并能充分利用少量标签样本和大量无标签故障样本中的故障信息,避免了过学习问题。实验结果表明,KSELF方法相比实验中的其他方法,其降维能力稳定,能够获得更好的降维效果和更高的分类准确率。     

基于局部切空间排列和K-最近邻分类器的转子故障诊断方法

为了解决大型机械设备故障数据难以准确快速提取的问题,提出了一种基于局部切空间排列(LTSA)和K-最近邻分类器的转子故障诊断模型。首先基于转子的振动信号构造一个高维多征兆矩阵,利用LTSA提取高维矩阵的低维特征向量,映射在可视空间里;然后将提取的低维特征向量输入K-最近邻分类器进行故障模式识别。试验和数据降维仿真过程表明,该模型的准确度和快速性均优于LTSA和神经网络以及LTSA和支持向量机组成的故障诊断模型。