Blind vibration component separation and nonlinear feature extraction applied to the nonstationary vibration signals for the gearbox multi-fault diagnosis

Fault diagnosis of gearboxes, especially the gears and bearings, is of great importance to the long-term safe operation. An unexpected damage on the gearbox may break the whole transmission line down. It is therefore crucial for engineers and researchers to monitor the health condition of the gearbox in a timely manner to eliminate the impending faults. However, useful fault detection information is often submerged in heavy background noise. Thereby, a new fault detection method for gearboxes using the blind source separation (BSS) and nonlinear feature extraction techniques is presented in this paper. The nonstationary vibration signals were analyzed to reveal the operation state of the gearbox. The kernel independent component analysis (KICA) algorithm was used hereby as the BSS approach for the mixed observation signals of the gearbox vibration to discover the characteristic vibration source associated with the gearbox faults. Then the wavelet packet transform (WPT) and empirical mode decomposition (EMD) nonlinear analysis methods were employed to deal with the nonstationary vibrations to extract the original fault feature vector. Moreover, the locally linear embedding (LLE) algorithm was performed as the nonlinear feature reduction technique to attain distinct features from the feature vector. Lastly, the fuzzy k-nearest neighbor (FKNN) was applied to the fault pattern identification of the gearbox. Two case studies were carried out to evaluate the effectiveness of the proposed diagnostic approach. One is for the gear fault diagnosis, and the other is to diagnose the rolling bearing faults of the gearbox. The nonstationary vibration data was acquired from the gear and rolling bearing fault test-beds, respectively. The experimental test results show that sensitive fault features can be extracted after the KICA processing, and the proposed diagnostic system is effective for the multi-fault diagnosis of the gears and rolling bearings. In addition, the proposed method can achieve higher performance than that without KICA processing with respect to the classification rate.     

基于分维LLE和Fisher判别的故障诊断方法

针对非线性系统故障诊断难以解决的问题,通过改进的局部线性嵌入映射算法解决了非线性数据的特征映射问题。首先,通过线性拟合改进了基于分形维估计的内在维数的估计。然后,将故障状态与空间分布结合起来,通过确定数据点在空间超球内的分布完成故障的检测,在这个过程中将超球的确定与LLE算法中基于核函数的样本外数据扩展结合起来,大大减少了计算量,提高了算法的实时性。然后,利用Fisher判别分析进行故障匹配,通过计算最优的投影向量与历史故障数据投影向量的相似度的计算,完成故障识别,从而为复杂非线性系统故障诊断提供了一种新的有效的方法。     

磷酸三丁酯-水-磷酸体系液液相平衡研究

测定了磷酸三丁酯－水－磷酸三元体系在２５℃和５０℃下的液液相平衡数据．应用Ｐｉｔｉｅｒ电解质溶液理论和Ｇｕｇｇｅｎｈｅｉｍ似晶格非电解质溶液理论,提出了该体系中有机相组分活度系数的计算方法,在关联出计算所需的模型参数的基础上,计算了该体系在２５℃下的活度系数值。     

GC×GC-TOF MS分析中国劲酒基酒挥发性成分

保健酒是以白酒或其他酒类为基酒,佐以中药材,对人体具有保健功效的酒饮料。中国劲酒是保健酒的代表产品之一,通常以清香型小曲酒为基酒,加入淮山药、仙茅、当归、肉苁蓉、枸杞子、黄芪、淫羊藿等药材经过现代提取与分离技术调配制成。采用液-液萃取结合全二维气相色谱-飞行时间质谱联用仪(comprehensive two-dimensional gas chromatography-time-of-flight mass spectrometry, GC×GC-TOF MS)对2种中国劲酒基酒的挥发性成分进行分析,测定其化合物的种类和含量。结果表明:2种中国劲酒基酒中初步定性出挥发性化合物175种,标准品定性化合物40种,其中醇类化合物41种、酯类化合物53种、醛酮类化合物24种、缩醛类化合物2种、酸类化合物24种、呋喃类化合物8种、酚类化合物3种、内酯类化合物8种、含氮化合物8种、含硫化合物1种和酸酐类化合物2种;含氮和含硫化合物在中国劲酒中为首次发现。液-液萃取结合GC×GC-TOF MS技术的分析方法可快速、准确分析鉴定出中国劲酒基酒中挥发性成分,结果旨在为中国劲酒的重要风味物质研究提供参考。     

基于LLE的边缘保持图像平滑算法

现有全局优化算法都使用不同范数约束输出图像梯度来实现图像平滑,但会牺牲图像中的弱结构信息来达到较好的平滑性能,导致输出图像出现颜色失真和细节模糊的情况。针对上述问题,提出一种基于LLE的边缘保持图像平滑算法(edge preserving image smoothing algorithm based on LLE,Ep-LLE),引入局部线性嵌入(LLE)的思想作为优化函数的正则化项并采用L₂范数进行惩罚。该方法利用图像局部区域内像素存在的相互关系,通过约束局部相似以实现图像平滑任务。最后通过各个算法的实验对比验证,基于LLE的边缘保持图像平滑算法能在实现图像边缘保持平滑的同时,保留图像局部结构特征,并有效避免区域内颜色一致导致的边缘阶梯状现象,避免图像颜色失真。     

基于自适应近邻参数的局部线性嵌入

局部线性嵌入算法是一种有效的非线性降维方法。文中提出一种自适应的局部线性嵌入方法。该方法通过分析数据集中任意样本所在局部区域的线性重构误差,确定该局部区域的近似线性块,然后根据位于此局部线性块上的样本来选择局部线性嵌入的近邻参数。实验结果表明,在不同的数据集上,采用多个评价标准,自适应的局部线性嵌入方法相比普通的局部线性嵌入方法,取得更好的结果。     

基于流形学习与特征融合的汉语方言辨识

提出了一种基于流形学习的特征提取方法,将流形学习有效地应用于汉语方言辨识。针对语音语谱特征空间维数较高的问题,利用局部线性嵌入（LLE）方法降维并与MFCC特征进行融合,融合结果作为新特征用于汉语方言辨识。仿真实验表明,LLE算法能够获取汉语方言的本征规律,融合后的特征能够有效地提高汉语方言辨识的正确识别率。     

基于局部线性嵌入算法的汉语数字语音识别

语音信号转换到频域后维数较高;流行学习方法可以自主发现高维数据中潜在低维结构的规律性;提出采用流形学习的方法对高维数据降维来进行汉语数字语音识别。采用流形学习中的局部线性嵌入算法提取语音频域上高维数据的低维流形结构特征;再将低维数据输入动态时间规整识别器进行识别。仿真实验结果表明;采用局部线性嵌入算法的汉语数字语音识别相较于常用声学特征MFCC维数要少;识别率提高了1.2%;有效提高了识别速度。     

基于KLLE和KNR的雷达目标一维像识别

局部线性嵌入(LLE)是一种有代表性的流形学习算法,利用核技术将LLE进行推广,得到核局部线性嵌入算法,并将其应用于雷达目标一维距离像的特征提取。然后采用一种基于核的非线性分类器,对所提取的特征进行分类。对3种飞机的实测数据进行识别实验,结果表明,该方法具有较优的识别性能。     

一种新的有监督流形学习方法

提出了一种新的有监督流形学习方法,目的是提供将流形学习降维方法高效应用于有监督学习问题的全新策略.算法的核心思想是集成流形学习方法对高维流形结构数据的降维有效性与支撑向量机(SVM)在中小规模分类数据集上的优良特性实现高效有监督流形学习.算法具体实现步骤为:首先利用SVM在流形学习降维数据中选出对分类决策最重要的数据集,即支撑向量集;按标号返回可得到原空间的支撑向量集;在这个集合上再次使用SVM即可得到原空间的分类决策,从而完成有监督流形学习.在一系列人工与实际数据集上的实验验证了方法的有效性.