轉子故障數據集的特征選擇方法研究.pdf

1、隨著現代工業(yè)和科學技術的發(fā)展，在石油化工、電力、冶金等行業(yè)中占主導地位的旋轉機械正朝著大型化、集成化以及高度自動化方向發(fā)展。計算機技術與各種智能儀表在機械裝備監(jiān)測中的廣泛應用，使得機械設備運行過程中的數據被采集并存儲。但是這些數據往往存在著“海量”和“高維”的特點，如何有效地利用這些數據，發(fā)掘數據中包含的知識規(guī)律，對旋轉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，它通過構造合適的特征選擇模型

2、，剔除轉子故障數據集中的不相關和冗余特征，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，為降低轉子故障數據集的維度提供理論支持。主要的研究內容和取得的研究結論情況如下：
　　(1)以轉子系統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，構造多域轉子故障特征集。針對轉子故障數據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用。
　　(2)針對轉子故障數據集中含有大量不相關和冗余特征的問題，提出了一種基于粒子群算法(PSO)和拉普拉斯分值算法(LS)相結合的故障特征選擇方法。該方法以原始的故障數據集為研究對象，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度函數，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