轉(zhuǎn)子故障數(shù)據(jù)集的特征選擇方法研究.pdf

1、隨著現(xiàn)代工業(yè)和科學(xué)技術(shù)的發(fā)展，在石油化工、電力、冶金等行業(yè)中占主導(dǎo)地位的旋轉(zhuǎn)機械正朝著大型化、集成化以及高度自動化方向發(fā)展。計算機技術(shù)與各種智能儀表在機械裝備監(jiān)測中的廣泛應(yīng)用，使得機械設(shè)備運行過程中的數(shù)據(jù)被采集并存儲。但是這些數(shù)據(jù)往往存在著“海量”和“高維”的特點，如何有效地利用這些數(shù)據(jù)，發(fā)掘數(shù)據(jù)中包含的知識規(guī)律，對旋轉(zhuǎn)機械故障診斷具有重大的意義。
　　特征選擇是一類可以在大量特征中挑選敏感特征的算法，它通過構(gòu)造合適的特征選擇模型

2、，剔除轉(zhuǎn)子故障數(shù)據(jù)集中的不相關(guān)和冗余特征，對于提高模式辨識的效率和準確率都有重要的作用。為此，本文開展對特征選擇方法的研究，為降低轉(zhuǎn)子故障數(shù)據(jù)集的維度提供理論支持。主要的研究內(nèi)容和取得的研究結(jié)論情況如下：
　　(1)以轉(zhuǎn)子系統(tǒng)的振動信號為研究對象，對信號進行分析處理并提出其時域、頻域、時頻域特征。將得到的故障特征進行融合，構(gòu)造多域轉(zhuǎn)子故障特征集。針對轉(zhuǎn)子故障數(shù)據(jù)集的特征選擇問題展開研究，重點分析了粒子群算法和拉普拉斯分值算法的特點

3、以及其在特征選擇中的應(yīng)用。
　　(2)針對轉(zhuǎn)子故障數(shù)據(jù)集中含有大量不相關(guān)和冗余特征的問題，提出了一種基于粒子群算法(PSO)和拉普拉斯分值算法(LS)相結(jié)合的故障特征選擇方法。該方法以原始的故障數(shù)據(jù)集為研究對象，首先采用拉普拉斯分值算法對原始特征集進行篩選，然后利用混沌粒子群算法在經(jīng)過精簡的特征子空間里進行隨機搜索，搜索過程中以支持向量機的分類準確率為適應(yīng)度函數(shù)，選擇出最優(yōu)特征子集。將得到的特征子集輸入到分類器中進行故障分類。實驗