正交局部保持投影早期故障特征提取方法

针对轴承早期故障特征难以提取,提出了一种基于正交局部保持投影的轴承故障特征提取方法。由时域指标和小波频带能量组成高维特征空间。运用正交局部保持投影方法通过训练样本数据求出正交转换矩阵,测试样本经正交转换矩阵转化后得到低维向量。利用不同故障样本的类间散度和同种故障样本的类内散度两个指标来衡量该方法的有效性,通过滚动轴承故障数据的仿真,证明提出的正交局部保持投影的特征提取方法是有效的。     

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。     

一种模糊双向最大间距准则人脸识别方法

研究提出一种模糊双向最大间距准则(fuzzy bidirectional maximum margin criterion,FBMMC)特征提取方法,并将其用于人脸识别.在FBMMC中,首先通过引入原始训练样本集的模糊隶属度矩阵,定义了面向图像的行方向模糊离散度矩阵和行方向模糊最大间距准则,进一步求得行方向最优投影矩阵;然后,对原始训练样本集中的每一个样本,采用行方向最优投影矩阵进行投影变换,从而得到行方向特征训练样本集.同样地,通过引入行方向特征训练样本集的模糊隶属度矩阵,给出了面向图像的列方向模糊离散度矩阵和列方向模糊最大间距准则的定义,进一步求得列方向最优投影矩阵.FBMMC在得到行、列两个方向的最优投影矩阵后,就可以将原始数据空间的样本数据投影到一个相对低维的特征空间,从而完成对原始样本数据的特征提取.在ORL和Yale人脸数据库上的实验结果表明,文中提出的模糊双向最大间距准则特征提取方法用于人脸识别具有较高的识别率.     

局部鲁棒主成分分析及其在故障诊断中的应用

机械设备故障振动信号的分析一般需要经过特征提取,然而由于背景噪声或者环境干扰的存在使得信号的信息适用性下降,从而导致特征提取存在很大的困难.一种新的局部鲁棒主成分分析的降噪方法被提出,该方法假设数据矩阵在有限个局部区域可以分解为表示信号特征信息的低秩成分和代表噪声的稀疏成分的加权和,且矩阵只需在局部区域具有低秩的属性而不必要满足全局低秩的强条件,并通过有限个局部低秩矩阵的平滑凸组合来全局逼近原始矩阵.通过仿真实验和实测的轴承外圈故障数据的分析,证明了提出的方法具有较强的降噪和特征提取效果.     

基于改进增量LE的压缩机故障特征提取方法

提高离心压缩机故障特征提取精度对于后续故障诊断具有重要意义.针对传统增量LE算法处理精度差的问题,分析了参数t对传统增量LE算法特征提取精度的影响,提出了一种改进的增量LE算法.该方法将传统的增量LE算法与cam加权距离相结合,在新增样本点投影过程中通过cam加权距离选取邻域,采用热核形式计算新增样本的权值,由局部保持特性,通过新增样本的近邻来重构其低维嵌入.S-curve仿真数据以及离心压缩机故障数据分析表明:相比于传统的增量LE方法,改进的增量LE方法能有效提高新增故障样本特征提取的精度.     

基于邻域保留投影的工作模态参数识别

针对拉普拉斯特征映射和等距离映射算法识别弱非线性特征模态精度低的缺点，提出一种利用邻域保留投影算法的工作模态参数识别方法。该方法利用局部线性特征寻找结构位移响应数据的低维嵌入数据，低维嵌入数据与模态坐标响应矩阵相对应；利用单自由度识别技术从模态响应矩阵中识别出结构的模态固有频率；再用最小二乘广义逆估计变换矩阵，变换矩阵与模态振型矩阵相对应。该方法能够保留数据的局部线性特征，从而识别弱非线性模态。通过三维圆柱壳仿真数据集的识别结果表明，相比拉普拉斯特征映射和等距离映射算法，邻域保留投影算法能够更有效地识别出弱非线性特征模态的参数，平均识别精度更高。     

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。     

基于滑动窗邻域保留投影的工作模态分析

为了识别线性慢时变结构的工作模态参数,提出一种基于滑动窗邻域保留投影(MWNPE)的工作模态参数识别方法。该方法基于“时间冻结”理论,利用固定长度的窗口,将每个窗口内的非平稳信号看作平稳的随机序列,从而将线性时变结构离散成有限个线性时不变结构。在每个窗口内,利用邻域保留投影算法寻找窗口内位移响应数据的低维嵌入,低维嵌入与模态坐标响应矩阵相对应;再利用单自由度识别技术从模态响应矩阵中识别出窗口的模态固有频率;最后,利用最小二乘广义逆估计出变换矩阵,变换矩阵与模态振型矩阵相对应。通过质量慢时变三自由度(DOF)的仿真结构验证表明,所提方法能有效识别出线性慢时变结构的工作模态参数,且识别精度优于滑动窗主成分分析方法和滑动窗等变自适应源分离(EASI)方法。     

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。     

基于非负矩阵分解的单通道故障特征分离方法

针对单通道振动信号的多特征分离问题,提出了一种基于正交非负矩阵分解的故障特征提取方法。首先,采用短时傅里叶变换,利用时频分布来描述信号中的局部故障特征,通过核心一致性指标评估子空间维数;然后,在幅值谱矩阵分解的基础上,通过正交性约束实现低维嵌入分量信息的分离,获取局部特征的准确描述;最后,采用相位恢复理论重构出特征波形,对仿真信号和滚动轴承故障数据进行了测试。结果表明,所提出的方法能利用单通道信号有效地分离出微弱的局部故障特征,为机械状态的早期故障诊断识别提供了一种有效手段。     

基于Schur分解和正交邻域保持嵌入算法的故障数据集降维方法

针对转子故障特征数据集降维问题,提出一种基于Schur分解和正交邻域保持嵌入算法的故障数据集降维方法--Schur-ONPE降维方法。该方法首先应用小波包分解提取不同频带内的能量以组成故障特征值集合,然后运用Schur分解和ONPE算法将高维特征集向低维投影,使降维后类内散度最小化及类间分离度最大化,最后将降维后得到的低维特征集输入K近邻分类器进行模式识别。通过双跨转子试验台的故障特征数据集进行验证,结果表明该方法能够有效地解决转子故障特征集的降维问题。     

有监督图优化保局投影

研究了保局投影中近邻图的构造及更新问题,提出了一种有监督图优化保局投影(SGoLPP)特征提取方法,并应用于人脸识别.不同于传统的保局投影(LPP)算法预先设定权值矩阵并通过一次优化求解投影矩阵,SGoLPP将权值矩阵作为学习项引入到目标函数,通过交替迭代更新逐步获得最优权值矩阵和最优投影矩阵.同时,通过引入类别信息,...     

基于小波包能量谱和NPE的模拟电路故障诊断

提出采用小波包能量谱和邻域保持嵌入作为预处理实行特征提取的模拟电路故障诊断方法。该方法对采集到的故障响应信号进行小波包分解,将不同频带内的能量作为故障特征值,然后利用邻域保持嵌入算法进一步提取故障特征,最后将所得到的最优故障特征输入支持向量机进行故障诊断。仿真结果表明,提出的故障特征提取方法能很好地反映故障响应信号的本质特征,不仅表现出了比其他特征提取方法更好的性能,而且最后的故障诊断中也获得了令人满意的结果。     

t分布随机近邻嵌入机械故障特征提取方法研究

将t分布随机近邻嵌入(t-SNE)流形学习方法应用于机械振动信号的故障特征提取,实现高维特征信息降维处理。通过小波包分解算法将原始振动信号分解为多层小波子空间,通过计算各层的小波阈值熵构造高维特征数据,然后采用t-SNE方法对构造的高维特征数据进行数据降维,获取低维故障特征信息。采用本特利转子试验台进行故障仿真实验,对采集获得的几种典型故障状态下的振动数据分别基于小波包阈值熵及统计特征构造2组高维数据,并对2组高维特征数据分别采用t-SNE方法进行数据降维处理获得其二维特征数据,通过对比验证了基于小波包阈值熵法构造高维数据后进行t-SNE数据降维的特征提取方法能够更有效的区分故障特征。     

基于改进的灰度共生矩阵参数特征提取的齿轮箱故障诊断

基于时频图像提出了一种改进的灰度共生矩阵参数特征提取的方法,该方法应用于时频图像的故障特征提取。经试验数据验证,相对于传统灰度共生矩阵参数,改进后的灰度共生矩阵参数有较好的特征提取效果。     

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。     

内燃机振动时频图像的编码特征提取与诊断

针对传统内燃机振动诊断方法在参数选择和特征提取方面的难题,提出一种将S变换和模块二维主成分分析(M-2DPCA)相结合的内燃机故障诊断方法。该方法首先利用S变换将采集到的内燃机缸盖表面振动信号生成振动谱图像;然后通过M-2DPCA对图像矩阵进行模块化处理,利用所有样本子图像构建总体散布矩阵,计算最优投影向量,进行图像特征参数提取;最后,利用最近邻分类器进行分类识别,完成诊断。将该方法应用于内燃机气阀机构8种工况下振动信号的诊断实例中,识别率可达到94.17%,证明了该方法的有效性。     

基于VMD-LPP融合的轴承故障特征频率提取

为提高轴承故障特征频率的提取效果,提出了变分模态分解(VMD)和局部保持投影(LPP)相融合的轴承故障特征频率提取方法.该方法主要有三个步骤:一是利用VMD对信号进行分解,得到若干个本征模态分量(IMF),并将各分量组成高维信号矩阵;二是利用LPP对高维信号矩阵进行降维得到低维信号矩阵,而后进行信号重构,得到重构信号;三是对重构信号进行包络分析,根据包络谱中突出的频率成分判断轴承故障类型.轴承故障诊断实例验证了方法的有效性.     

基于广义S变换与双向2DPCA的轴承故障诊断

将轴承故障诊断问题转化为故障信号时频图像的识别问题,提出一种采用双向二维主成分分析(two-directional,two-dimensional,principal component analysis,简称TD-2DPCA)的时频图像矩阵特征提取方法。首先,利用广义S变换将轴承故障信号变换为时频域图像,采用一种双向压缩的二维PCA方法对图像信息进行特征提取;然后,进行了轴承故障试验,分别采集了轴承在正常、内圈故障及外圈故障状态下的振动信号,采用所述方法对轴承3种状态下的时频分布图像进行特征提取,并根据集成矩阵距离(assembled matrix distance,简称AMD)实现图像的分类识别。试验结果表明,结合广义S变换的双向2DPCA特征提取算法可有效提高计算效率,同时具有良好的诊断性能。     

半监督多图嵌入的高光谱影像特征提取

针对传统图嵌入方法仅采用单一图结构无法有效表征高维数据中复杂本征结构,本文提出了一种半监督多图嵌入(SSMGE)方法,并应用于高光谱影像特征提取。该方法首先利用标记样本的类内、类间近邻点来构建类内超图、类间超图、类内普通图、类间普通图,然后通过无标记样本的近邻点和远离点构建无监督本征超图和惩罚超图,并以多图协同方式来表征高维数据间的复杂几何关系,实现鉴别特征提取。本文提出的SSMGE方法不仅能有效揭示数据点间超图和普通图的结构,而且在低维嵌入空间中增强同类数据聚集性和非同类数据的远离性,提取的鉴别特征可改善地物分类精度。在PaviaU和Urban高光谱数据集上进行了分类实验,本文方法的总体分类精度分别可达到85.92%和79.74%。相比普通图嵌入和超图方法,该算法明显提升了地物的分类性能。