基于拉普拉斯特征映射和深度置信网络的半监督故障识别

针对机械设备故障诊断过程中有标签样本不足,结合流形学习与深度学习的思想,提出了基于拉普拉斯特征映射(Laplacian eigenmap, LE)和深度置信网络(Deep belief network, DBN)的半监督故障识别模型。该模型运用LE算法直接对原始高维振动信号进行特征提取,将低维流形特征输入DBN,利用少量昂贵的有标签样本和大量廉价的无标签样本,二次挖掘故障特征,并构建Soft-max分类器最终识别出机械设备的故障模式。将该半监督模型应用于轴承故障和齿轮裂纹的识别中,试验结果表明,LE算法有效降低了模型的时间复杂度,增强了特征提取的智能性,提高了诊断效率;DBN网络可以充分挖掘故障特性,得到更好的特征表示,提高了分类精度。此外,该模型在不平衡的训练标签下也实现了很好的诊断效果,且适用于多传感器特征融合的诊断,具备实际应用的价值。     

基于监督学习的核拉普拉斯特征映射的FCM算法

监督学习的核拉普拉斯特征映射,通过非线性核映射将样本数据投影到高维核特征空间,将流形结构和样本类别信息进行有效的结合后,提取嵌入在高维数据中的低维流形特征用于模糊C-均值聚类中,这样可以有效解决高维数据集中新样本的泛化性,并且能有效提高聚类的效果。     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。     

基于半监督聚元自组织映射的齿轮早期故障检测

自组织特征映射应用于齿轮早期故障检测时,常常导致训练时间长、检测精度低、故障分类结果不直观等问题.提出了基于LDA(线性判别分析)与半监督聚元自组织映射的故障检测方法,首先利用LDA对故障特征集进行降维处理,然后再利用半监督聚元自组织网络对降维后的特征子集进行分类并将结果可视化,Iris数据集的仿真结果验证了该方法的有...     

半监督拉普拉斯分值在滚动轴承故障诊断中的应用

针对滚动轴承故障诊断过程中标签样本不足的问题,结合特征选择与二次挖掘,提出了基于半监督拉普拉斯分值(Semi Supervised Laplace Score, SSLS)和核主元分析(Kernel Principal Component Analysis, KPCA)的滚动轴承故障诊断模型。SSLS将半监督思想应用于拉普拉斯分值特征选择方法中,利用少量的有标签样本和大量无标签样本,结合KPCA对故障特征进行二次挖掘。同时,将粒子群优化的支持向量机(Particle Swarm Optimization-based Support Vector Machine, PSO-SVM)算法用于故障分类。最后,将该模型应用于实验数据分析过程。结果表明,该模型在减少样本标记工作量的同时,仍能在滚动轴承故障分类中保持较高的准确率,验证了所建立模型的有效性和工程实用性。     

基于监督拉普拉斯分值和主元分析的滚动轴承故障诊断

在拉普拉斯分值(Laplaian score,LS)方法的基础上,提出一种监督拉普拉斯分值(Supervised laplaian score,SLS)特征选择方法。该方法同时考虑数据的标号信息和局部几何结构,避免LS方法中要设定近邻图参数的问题。将SLS和主元分析(Principal component analysis,PCA)相结合,提出基于SLS和PCA的滚动轴承故障诊断方法。该方法在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征矢量;利用SLS进行特征选择,形成故障特征矢量;再对特征矩阵进行PCA降维处理,并用K近邻(K-nearest neighbor algorithm,KNN)分类算法实现滚动轴承不同故障类型的识别。应用实例表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障,且故障分辨率优于基于LS和PCA的故障诊断方法。     

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。     

基于无监督判别投影的滚动轴承故障诊断

针对滚动轴承故障样本不平衡和故障特征存在冗余性问题,提出了基于无监督判别投影（UDP）的滚动轴承故障诊断方法。该方法首先从时域和时频域提取多个特征参数,从而构造一个原始的高维特征集,随后运用UDP算法从该特征集中提取最敏感的低维流形特征,最后利用K-近邻分类器识别出滚动轴承的运行状态。将该方法分别应用于轴承故障类型和内圈故障严重性的识别,并与传统方法进行了比较,验证了该方法的可行性和优越性。     

基于等距特征映射和支持矢量机的转子故障诊断方法

针对振动信号的非线性特征,提出一种基于等距特征映射(Isometric feature mapping,ISOMAP)和支持矢量机(Support vector machine,SVM)的转子故障诊断方法。利用ISOMAP把数据从高维空间投影到低维空间而不改变数据内在属性的特点,对高维的故障振动信号降维并提取出低维的数据作为特征矢量,采用一种新核函数支持矢量机作为分类器进行故障诊断。将该方法应用于转子故障诊断,结果表明,ISOMAP-SVM方法不仅具有较高的故障诊断率,而且取得振动信号在低维空间的可视化表示。与其他核函数相比新核函数支持矢量机具有较好的诊断效果。     

基于半监督模糊核聚类的变速箱早期故障诊断

研究半监督学习的模糊核聚类方法用于变速箱早期故障诊断的方法。故障特征不明显、样本差异小是机械故障早期检测的难点,基于半监督学习的核聚类方法利用少量已知模式的样本,结合大量未知模式的样本进行半监督学习,得到较好的识别效果。进行了变速箱正常运行和齿轮轻微剥落的故障实验,比较基于半监督学习的核聚类方法与无监督学习核聚类方法。实验结果表明,基于半监督学习的核聚类方法性能更优越。     

旋转机械故障的拉普拉斯支持向量机诊断方法

在旋转机械故障智能诊断中,收集大量的样本比较容易,而要对所有的样本进行类别标记却较为困难。针对这一问题,提出了一种基于拉普拉斯支持向量机的旋转机械故障智能诊断方法。滚动轴承故障诊断实例表明,有标记样本的数量较少时,与仅使用有标记样本进行学习的支持向量机相比,基于拉普拉斯支持向量机的诊断方法利用大量的无标记样本进行辅助学习,可以显著提高故障诊断的正确率。     

基于流形学习与一类支持向量机的滚动轴承早期故障识别方法

提出了一种基于流形学习与一类支持向量机的轴承早期故障识别方法。首先提取轴承信号的时域参数构成原始特征样本空间;然后采用基于拉普拉斯特征映射算法(Laplacian eigenmap,LE）的流形学习方法对特征样本进行特征压缩,提取出敏感的故障特征;最后采用一类支持向量机对各状态实现分类识别。利用实测的滚动轴承故障数据对算法进行了验证,并将LE方法与主成分分析（PCA）方法进行了比较,
结果证明该方法可行。     

基于半监督最大间隔字典学习的故障诊断方法

针对有标记故障样本不足及传统半监督诊断方法识别率低的问题,提出基于半监督最大间隔字典学习算法(semi-supervised max-margin dictionary learning,简称SSMMDL)的故障诊断方法。该方法将无标记样本重构误差项添加至最大间隔字典学习算法模型中,通过最小化无标记样本稀疏重构误差项、有标记样本稀疏重构误差项、支持向量机的损失函数正则项和分类间隔正则项,实现字典和支持向量机的同步学习,从而获得判别能力较强的字典。在此基础上,运用稀疏编码获得测试样本的稀疏表示,利用基于稀疏表示的分类器进行故障识别。通过对转子不同故障进行识别,结果表明所提方法较相关对比算法识别准确率更高,可以满足机械故障在线监测的需要。     

基于半监督谱核聚类的转子系统故障诊断

针对机械系统故障诊断中对先验知识利用不足和在高维特征空间中诊断难的问题,提出了一种基于成对约束和通过约束准则构造核函数的半监督谱核聚类方法。首先,在训练集中利用先验知识建立约束点对,即属于同一聚类的must-link点对和不属于同一聚类的cannot-link点对;其次,通过样本连接图的结构信息和约束点对信息设计核函数,计算出投影矩阵;最后,在投影空间中使用k-means算法聚类。测试集的每个样本点找到在对应训练集中k个近邻样本的投影值,计算局部投影矩阵,从而可以在线计算出每个新来样本的投影值。实验表明,该算法较相关比对算法聚类准确率更高,可以满足转子系统故障诊断的实际需要。     

[设备健康管理]深度置信网络在齿轮故障诊断中的应用

针对齿轮传动系统中齿轮等零部件易出现故障或失效等问题,提出了一种基于深度学习理论的齿轮传动系统故障诊断方法。首先利用深度置信网络强大的特征自提取能力,对齿轮传动系统的振动信号进行特征提取,然后通过DBNs的复杂映射表征能力对故障信号进行故障判别。诊断实例表明,若不对齿轮振动的原始时域信号进行特征提取,直接利用DBNs对其进行诊断时,故障识别正确率只能达到 60%左右;如果对时域信号进行简单的傅里叶变换后,再利用 DBNs 对处理后的振动信号频谱进行诊断分析,正确率能达到 99.7%,从而证明了所提故障诊断方法的简易性和有效性。     

基于复合多尺度熵与拉普拉斯支持向量机的滚动轴承故障诊断方法

针对早期滚动故障特征不明显和特征提取难等问题,将一种新的衡量时间序列复杂性的方法--复合多尺度熵（CMSE）应用于滚动轴承故障振动信号的特征提取。CMSE克服了多尺度熵中粗粒化方式的不足,得到的熵值一致性和稳定性好。同时,针对机械故障智能诊断中收集大量的样本比较容易而要对所有的样本进行类别标记却较为困难这一问题,将拉普拉斯支持向量机（LapSVM）应用于滚动轴承故障的智能诊断中。在此基础上,提出了一种基于CMSE,序列前向选择（SFS）特征选择和LapSVM的滚动轴承故障诊断方法。最后,将提出的方法应用于试验数据分析,结果表明：CMSE能够有效地提取滚动轴承的故障特征;当有标记样本的数量较少时,与仅使用有标记样本进行学习的支持向量机相比,结合SFS特征选择的LapSVM方法利用大量的无标记样本进行辅助学习,可以显著提高故障诊断的正确率。     

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。     

基于路图拉普拉斯算子范数和马氏距离的滚动轴承故障诊断

为有效提取滚动轴承振动信号的故障特征,将图信号处理技术引入故障诊断领域。首先根据滚动轴承振动信号构造路图,获得路图信号;再将计算得到的路图拉普拉斯算子范数作为特征参数,构造不同故障的标准特征空间;最后通过测试样本与标准特征空间的马氏距离实现不同故障模式的识别。实测滚动轴承振动信号的分析结果表明,该方法能有效诊断轴承故障。