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
【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;跁r(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
本文鏈接:http://www.lk138.cn/jixiegongchenglunwen/2753660.html