基于流形學習的機械故障診斷理論與方法研究.pdf_第1頁
已閱讀1頁,還剩76頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、目前,大型機械設備的結構與工作狀況的復雜性及其非線性特性日益突出,設備運行監(jiān)測數據蘊含了機械設備在整個運行歷程中的所有信息,如何從這些數據中提取有效信息,判定設備的運行狀態(tài)并對所發(fā)生的故障進行準確診斷,對于現有的故障診斷方法提出了新的考驗。 機械故障診斷的核心是有效地獲取、傳遞、處理、再生和利用診斷信息,從而具備對給定環(huán)境下診斷對象進行準確的狀態(tài)識別和診斷決策的能力。當前,雖然故障診斷理論和方法的研究取得了較大的進步,但對于不確

2、定的、非線性的以及故障征兆復雜的診斷問題,其診斷效果十分有限。由于流形學習具有良好的非線性復雜信息處理能力,本論文將流形學習理論與方法應用于機械故障診斷,通過研究流形學習提取樣本數據內在的幾何結構及其規(guī)律性,并以此為出發(fā)點對其應用于故障診斷過程中基于流形學習的特征提取與分類方法展開了研究。論文主要工作如下: (1)在分析黎曼流形和流形學習理論的基礎上,研究了流形學習中的幾個典型算法:討論了故障診斷中流形學習算法的參數優(yōu)化問題,從

3、空間映射的拓撲質量保持角度,以特征提取前后數據的拓撲保持度最小為準則,提出了基于拓撲保持度的鄰域因子優(yōu)化選擇算法;從數據分類的角度,提出了基于判別準則的鄰域因子優(yōu)化選擇算法,根據故障分類中的可分性判別準則,結合流形學習算法的降維特點,在鄰域因子選擇過程中,以判別準則函數最小為標準選擇最優(yōu)的鄰域因子。同時,對這兩種選擇算法進行了實驗驗證。 (2)提出了一種基于核方法的流形特征提取算法——KLapEig,該算法在鄰域構建時采用基于核

4、方法的幾何距離計算各樣本間的實際距離,增強了鄰域結構描述的精度,提高了算法有效提取數據內在幾何結構的性能。對不同數據集的測試結果表明了該算法的特征提取性能優(yōu)于LLE和Laplacian Eigenmaps算法,驗證了算法的可行性和有效性。 (3)針對常規(guī)線性特征提取方法不能有效提取數據非線性結構的不足,利用提出的KLapEig算法進行故障的特征提取,挖掘故障數據集的內在幾何分布特性,提出了一種基于KLapEig的故障特征提取方法

5、,可用于解決高度非線性、非結構化、高維度故障數據的模式分類問題,為機械故障特征提取提供了一種新的途徑。仿真和工程實例的分析結果表明了所提方法的有效性。 (4)對基于流形學習的故障特征提取中的自學習問題進行了研究,提出了一種基于流形學習的增量式特征提取自學習算法——I-KLapEig。該算法以假設新增樣本的鄰域局部映射關系保持不變?yōu)榛A,以鄰域內樣本的權值矩陣作為新樣本映射到低維空間的映射矩陣,最終獲得新樣本對應低維空間的特征分布

6、,具有較好的特征提取及自學習性能,在Iris標準數據、振動仿真故障數據及壓縮機組故障數據上的特征提取實驗表明了所提算法的有效性。 (5)從監(jiān)督機制的角度來研究流形學習,針對帶有標簽信息的故障樣本中的監(jiān)督流形學習問題進行了較為詳細地分析;提出了一種監(jiān)督式流形特征提取算法——S-KLapEig,該算法充分利用數據的類別標簽信息來指導算法的映射過程,在保持數據類內幾何結構的同時,使得不同類樣本在特征提取后的特征空間中具有可分性,從而更

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論