發(fā)布時(shí)間：2020-07-13 15:46

【摘要】：基于機(jī)械設(shè)備進(jìn)行的過程監(jiān)測和故障診斷分析,對(duì)有效控制機(jī)械設(shè)備故障的發(fā)展和保障機(jī)械設(shè)備的安全穩(wěn)定運(yùn)行具有重要的意義。利用設(shè)備的監(jiān)測振動(dòng)信號(hào)進(jìn)行故障診斷是一種廣泛應(yīng)用的方法,但由于旋轉(zhuǎn)機(jī)械自身復(fù)雜的結(jié)構(gòu)和運(yùn)行環(huán)境,使得振動(dòng)信號(hào)往往含有強(qiáng)烈的背景噪聲和干擾信號(hào),因此,如何獲取反映故障的有效信息成為了關(guān)鍵。數(shù)據(jù)降維可以剔除原始數(shù)據(jù)中冗余和不相關(guān)信息,尋找出反映故障本質(zhì)的有效數(shù)據(jù)。在實(shí)際應(yīng)用中,基于振動(dòng)信號(hào)多域構(gòu)造的故障特征集往往維度過高且有類標(biāo)樣本不足,使用傳統(tǒng)的降維方法,可能得不到理想的降維效果與分類精度。為了能充分利用現(xiàn)有無標(biāo)記數(shù)據(jù)中的故障信息,解決有監(jiān)督降維泛化能力不強(qiáng)、無監(jiān)督學(xué)習(xí)模型不精確以及獲得更高的故障診斷精度,本文對(duì)基于半監(jiān)督降維方法的故障數(shù)據(jù)集分類進(jìn)行了研究。本文的主要工作內(nèi)容如下:(1)針對(duì)呈現(xiàn)出非線性的高維數(shù)據(jù)集故障類型識(shí)別率低和有標(biāo)記故障樣本較少的問題,引入核方法和半監(jiān)督思想,提出了一種基于核半監(jiān)督局部Fisher判別分析(Kernerl Semi-supervised Local Fisher Discriminant Analysis,KSELF)維數(shù)約簡的故障診斷方法。該方法首先將原始故障數(shù)據(jù)集通過RBF型核函數(shù)映射到高維特征空間中,并利用SELF算法計(jì)算出最優(yōu)的投影轉(zhuǎn)換矩陣;然后基于KNN分類器對(duì)降維得到的低維特征進(jìn)行訓(xùn)練學(xué)習(xí),識(shí)別出故障的類型。所提出的KSELF方法能夠充分利用部分類標(biāo)樣本和大量無類標(biāo)樣本中的信息,避免了LFDA算法在降維過程中因類標(biāo)樣本不足引起的過學(xué)習(xí)問題,同時(shí)有效地捕捉了數(shù)據(jù)中的非線性信息。最后用雙跨度轉(zhuǎn)子實(shí)驗(yàn)臺(tái)進(jìn)行的故障模擬實(shí)驗(yàn)驗(yàn)證了所提方法的有效性。(2)在對(duì)高維非線性數(shù)據(jù)進(jìn)行維數(shù)約簡時(shí),為了保持?jǐn)?shù)據(jù)的全局和局部結(jié)構(gòu)及利用樣本類標(biāo)的先驗(yàn)信息,提出基于KPCA-SSLPP數(shù)據(jù)降維的故障診斷方法。該方法首先基于時(shí)域、頻域和時(shí)頻域分析從原始振動(dòng)信號(hào)提取相應(yīng)的故障特征,組建一個(gè)高維特征集;然后對(duì)高維特征集應(yīng)用KPCA得到主要特征,降低特征間的相關(guān)性并最大化保持特征集中的全局非線性結(jié)構(gòu);最后使用SSLPP算法挖掘出低維局部本質(zhì)特征,并將得到的低維特征向量輸入到LSSVM中進(jìn)行故障類型識(shí)別。利用離心泵實(shí)驗(yàn)臺(tái)進(jìn)行的故障模擬實(shí)驗(yàn)驗(yàn)證其有效性,結(jié)果表明:所提方法與實(shí)驗(yàn)中的其它降維方法相比,具有更好的降維效果,在少量標(biāo)記樣本條件下,能獲得更高的故障診斷精度。(3)基于LabVIEW平臺(tái),設(shè)計(jì)了一套應(yīng)用于離心泵實(shí)驗(yàn)臺(tái)的振動(dòng)測試系統(tǒng)。該系統(tǒng)實(shí)現(xiàn)了離心泵運(yùn)行狀態(tài)監(jiān)測、數(shù)據(jù)的采集、處理和存儲(chǔ)以及時(shí)域、頻域、軸心軌跡的圖譜顯示,通過在系統(tǒng)中嵌入降維算法實(shí)現(xiàn)了故障類別的辨識(shí)。
【學(xué)位授予單位】：蘭州理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TH17
【圖文】：

圖 3-2 基于 KSELF 的故障診斷流程圖結(jié)果分析數(shù)據(jù)節(jié) 3.4.3 所提方法的性能，本節(jié)采用來自于如圖 3-3 所示的雙臺(tái)的實(shí)驗(yàn)數(shù)據(jù)來進(jìn)行驗(yàn)證。設(shè)置實(shí)驗(yàn)臺(tái)采樣頻率為 5000H用 12 個(gè)電渦流傳感器分別采集該轉(zhuǎn)子實(shí)驗(yàn)臺(tái)軸系不對(duì)中、軸靜碰磨和正常轉(zhuǎn)動(dòng) 5 種狀態(tài)的振動(dòng)信號(hào)各 80 組，選取其中的中 60%為有標(biāo)簽樣本)，30 組作為測試樣本�；�于時(shí)域、頻域信號(hào)的故障特征參數(shù)，構(gòu)造出 12 個(gè)通道的特征集合，如表 3252 個(gè)特征，即 252 維高維數(shù)據(jù)集。輸入到KNN進(jìn)行故障辨識(shí)故障類型

3.6.2 實(shí)驗(yàn)結(jié)果基于 KSELF 方法對(duì)高維故障特征集進(jìn)行訓(xùn)練學(xué)習(xí)與維數(shù)約簡。為表現(xiàn)一般性，權(quán)衡參數(shù)采用折中取值 β=0.5；設(shè)定 KSELF 中樣本點(diǎn)鄰域大小 k=7[58]，低維子空間的維數(shù) d=4（目標(biāo)維數(shù)=故障類別數(shù)-1）。將得到的降維結(jié)果輸入到 KNN 分類器中訓(xùn)練學(xué)習(xí)并進(jìn)行故障辨識(shí)。所提方法的有效性通過以下幾個(gè)方面來進(jìn)行驗(yàn)證。(1) 降維可視化對(duì)比。用 PCA、KPCA、LFDA、KLFDA、SELF 算法的降維效果和 KSELF 算法進(jìn)行對(duì)比驗(yàn)證，得到的降維可視化結(jié)果對(duì)比如圖 3-4 所示。本章選用五折交叉驗(yàn)證法獲取最優(yōu)核參數(shù)，得到 KPCA、KLFDA、KSELF 的核參數(shù)分別為 =75.6, 62.5, 20.5。(a) PCA (b) KPCA (c) LFDA

DFF1110.951110.9810.900.9710.9211 中可以看出：1) 監(jiān)督降維方法 LFDA、KLFDA、SELF、高于無監(jiān)督降維方法 PCA、KPCA，這是因?yàn)楸O(jiān)督降維方標(biāo)簽信息，獲取有效的低維本征特征，而無監(jiān)督降維方法導(dǎo)作用來進(jìn)行維數(shù)約簡，容易忽視大量有用的信息，使得督降維方法 SELF、KSELF 的識(shí)別率高于 PCA 和 LFDA，這承了 PCA 和 LFDA 兩種算法的優(yōu)勢，同時(shí)充分利用了標(biāo)用信息；3) 引入核方法的降維算法利用核映射將特征集問題，能夠有效去除數(shù)據(jù)特征中的噪聲與冗余信息，得到驗(yàn)證 KSELF 方法在數(shù)據(jù)降維問題中的優(yōu)越性，選用不同(測試樣本中 60%是標(biāo)記樣本)，將各降維方法降維后的低進(jìn)行故障辨識(shí)，得出不同訓(xùn)練樣本比例下的降維結(jié)果在 率情況，如圖 3-5 所示。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 林平榮;孫亞新;文貴華;;基于判別回歸與局部判別分析的維數(shù)約簡算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2017年05期

2 姜偉;楊炳儒;;基于流形學(xué)習(xí)的維數(shù)約簡算法[J];計(jì)算機(jī)工程;2010年12期

3 侯越先;吳靜怡;張揚(yáng);何丕廉;;基于統(tǒng)計(jì)判據(jù)的非線性維數(shù)約簡[J];天津大學(xué)學(xué)報(bào);2007年01期

4 董虎勝;;KPCA維數(shù)約簡研究[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2017年31期

5 徐瓊燕;吳印華;;基于鄰域自適應(yīng)LLTSA維數(shù)約簡的故障診斷方法研究[J];機(jī)械強(qiáng)度;2018年01期

6 張鈺;李瑞梅;章田;;基于最長軌跡投影的3D空間手寫字符維數(shù)約簡[J];實(shí)驗(yàn)室研究與探索;2018年09期

7 徐金成;李曉東;劉輝;;基于兩階段流形學(xué)習(xí)的半監(jiān)督維數(shù)約簡算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2018年08期

8 丁偉;張亞非;;維數(shù)約簡在電信運(yùn)營商績效評(píng)價(jià)中的應(yīng)用[J];郵電設(shè)計(jì)技術(shù);2015年04期

9 劉佳奇;閆德勤;何陽;;基于FLPP的極端學(xué)習(xí)機(jī)人臉識(shí)別方法[J];軟件導(dǎo)刊;2018年04期

10 蘇祖強(qiáng);湯寶平;姚金寶;;基于敏感特征選擇與流形學(xué)習(xí)維數(shù)約簡的故障診斷[J];振動(dòng)與沖擊;2014年03期

相關(guān)會(huì)議論文 前4條

1 萬中英;王明文;廖海波;左家莉;;維數(shù)約簡在網(wǎng)頁分類中的應(yīng)用[A];NCIRCS2004第一屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2004年

2 陳偉福;馮國燦;;局部光滑主成分分析[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

3 湯健;孫春來;毛克峰;賈美英;;基于主元分析和互信息維數(shù)約簡策略的網(wǎng)絡(luò)入侵異常檢測[A];第30次全國計(jì)算機(jī)安全學(xué)術(shù)交流會(huì)論文集[C];2015年

4 孫濤;劉靜;劉青山;盧漢清;;半監(jiān)督譜判別式分析[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 張亞紅;數(shù)據(jù)相關(guān)性分析和維數(shù)約簡方法的研究與應(yīng)用[D];北京工業(yè)大學(xué);2017年

2 劉明明;基于維數(shù)約簡與核學(xué)習(xí)的高維數(shù)據(jù)分類方法研究[D];中國礦業(yè)大學(xué);2017年

3 杜世強(qiáng);基于維數(shù)約簡的無監(jiān)督聚類算法研究[D];蘭州大學(xué);2017年

4 殷飛;基于稀疏學(xué)習(xí)的圖像維數(shù)約簡和目標(biāo)識(shí)別方法研究[D];西安電子科技大學(xué);2014年

5 侯臣平;基于圖優(yōu)化框架的數(shù)據(jù)維數(shù)約簡方法及應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2009年

6 雷迎科;流形學(xué)習(xí)算法及其應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2011年

7 彭澄宇;圖像稀疏建模理論與應(yīng)用研究[D];重慶大學(xué);2012年

8 吳松松;維數(shù)約簡研究及其在特征提取中的應(yīng)用[D];南京理工大學(xué);2012年

9 蘇雅茹;高維數(shù)據(jù)的維數(shù)約簡算法研究[D];中國科學(xué)技術(shù)大學(xué);2012年

10 楊藝芳;譜聚類與維數(shù)約簡算法及其應(yīng)用[D];西安電子科技大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 戶文剛;基于半監(jiān)督降維的旋轉(zhuǎn)機(jī)械故障數(shù)據(jù)分類方法研究[D];蘭州理工大學(xué);2019年

2 丁柳;高維數(shù)據(jù)的維數(shù)約簡研究[D];廈門大學(xué);2018年

3 尹雪妍;基于低秩圖的多視角數(shù)據(jù)維數(shù)約簡方法研究[D];東北師范大學(xué);2018年

4 趙蕊;基于多重局部約束的圖優(yōu)化維數(shù)約簡方法研究[D];東北師范大學(xué);2017年

5 王雪冬;基于流形學(xué)習(xí)的轉(zhuǎn)子故障特征集維數(shù)約簡方法研究[D];蘭州理工大學(xué);2016年

6 譚龍;基于近似零范數(shù)和無窮范數(shù)的維數(shù)約簡[D];天津大學(xué);2014年

7 楊偉;半監(jiān)督學(xué)習(xí)方法研究[D];國防科學(xué)技術(shù)大學(xué);2011年

8 王琦;機(jī)器學(xué)習(xí)研究及在風(fēng)力預(yù)測中的應(yīng)用[D];復(fù)旦大學(xué);2012年

9 劉金艷;高維空間離群點(diǎn)檢測的局部線性嵌入方法研究[D];哈爾濱工程大學(xué);2017年

10 董文_g;基于多特征融合與稀疏編碼的人臉識(shí)別算法研究[D];復(fù)旦大學(xué);2013年

本文編號(hào)：2753660