针对机械系统状态监测与故障诊断中存在的故障特征维数较高及模式识别导致的耗时较高问题,提出了一种基于自适应局部保持投影(Locality Preserving Projection,LPP)特征降维和改进多变量预测模型(Variable Predictive Model based Class...针对机械系统状态监测与故障诊断中存在的故障特征维数较高及模式识别导致的耗时较高问题,提出了一种基于自适应局部保持投影(Locality Preserving Projection,LPP)特征降维和改进多变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的故障诊断方法。首先,从滚动轴承振动信号中提取时频域特征、能量特征,以及复杂度特征组成高维故障特征数据集;其次,利用自适应LPP方法对高维故障特征数据集进行降维处理,得到低维敏感故障特征;最后,采用改进VPMCD方法对低维敏感故障特征进行分类识别,进而判断故障类型。通过滚动轴承故障诊断试验分析表明,自适应LPP方法克服了传统LPP方法需要人工选取参数的缺陷,在获得低维敏感故障特征的基础上具有较少计算时间,相比主成分分析(Principal Component Analysis,PCA)、局部切空间排列(Local Tangent Space Alignment,LTSA)、线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)、等距特征映射(Isometric Mapping,Isomap),以及局部线性嵌入(Locally Linear Embedding,LLE)等算法具有明显的优势;改进VPMCD方法可克服人工选择模型的偶然性和片面性,在滚动轴承10种故障状态的识别中获得了99.4%的诊断精度,相比优化参数支持向量机方法提高了故障诊断效率,大大降低了识别时间,具有一定的优越性。展开更多
局部保持投影算法的性能主要依赖于构造的最近邻图,而构造最近邻图时容易受到原始数据冗余信息的干扰,以及没有良好的依据选择合适的热核参数带来的影响,导致不能充分挖掘高维数据的局部结构信息,在低维嵌入过程中也易对噪声和异常值较...局部保持投影算法的性能主要依赖于构造的最近邻图,而构造最近邻图时容易受到原始数据冗余信息的干扰,以及没有良好的依据选择合适的热核参数带来的影响,导致不能充分挖掘高维数据的局部结构信息,在低维嵌入过程中也易对噪声和异常值较为敏感,影响其在故障诊断应用中的特征提取能力。针对以上问题,提出基于收缩自编码器和流形排序的局部保持投影算法(Locality Preserving Projections algorithm based on Contractive Auto-Encoder and Manifold Ranking,CAE-MRLPP),并用于机械设备故障诊断。首先,将样本标签信息和斯皮尔曼相关系数结合,预调整样本间距;其次,引入流形排序思想,根据样本点与邻域点在彼此邻域集中的排序位置信息以及二者的互邻个数信息来构造权重;最后,将收缩自编码器与基于流形排序的局部保持投影相融合,通过梯度下降法迭代优化求解出最优的投影矩阵,进而得到故障数据的低维表示。分别在滚动轴承数据集和抽油机数据集上进行了多项验证,故障识别准确度均在98%以上,表明该算法具有良好的特征提取能力,能够有效提高故障识别准确度,同时具有较好的鲁棒性和泛化能力。展开更多
文摘针对机械系统状态监测与故障诊断中存在的故障特征维数较高及模式识别导致的耗时较高问题,提出了一种基于自适应局部保持投影(Locality Preserving Projection,LPP)特征降维和改进多变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的故障诊断方法。首先,从滚动轴承振动信号中提取时频域特征、能量特征,以及复杂度特征组成高维故障特征数据集;其次,利用自适应LPP方法对高维故障特征数据集进行降维处理,得到低维敏感故障特征;最后,采用改进VPMCD方法对低维敏感故障特征进行分类识别,进而判断故障类型。通过滚动轴承故障诊断试验分析表明,自适应LPP方法克服了传统LPP方法需要人工选取参数的缺陷,在获得低维敏感故障特征的基础上具有较少计算时间,相比主成分分析(Principal Component Analysis,PCA)、局部切空间排列(Local Tangent Space Alignment,LTSA)、线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)、等距特征映射(Isometric Mapping,Isomap),以及局部线性嵌入(Locally Linear Embedding,LLE)等算法具有明显的优势;改进VPMCD方法可克服人工选择模型的偶然性和片面性,在滚动轴承10种故障状态的识别中获得了99.4%的诊断精度,相比优化参数支持向量机方法提高了故障诊断效率,大大降低了识别时间,具有一定的优越性。
文摘局部保持投影算法的性能主要依赖于构造的最近邻图,而构造最近邻图时容易受到原始数据冗余信息的干扰,以及没有良好的依据选择合适的热核参数带来的影响,导致不能充分挖掘高维数据的局部结构信息,在低维嵌入过程中也易对噪声和异常值较为敏感,影响其在故障诊断应用中的特征提取能力。针对以上问题,提出基于收缩自编码器和流形排序的局部保持投影算法(Locality Preserving Projections algorithm based on Contractive Auto-Encoder and Manifold Ranking,CAE-MRLPP),并用于机械设备故障诊断。首先,将样本标签信息和斯皮尔曼相关系数结合,预调整样本间距;其次,引入流形排序思想,根据样本点与邻域点在彼此邻域集中的排序位置信息以及二者的互邻个数信息来构造权重;最后,将收缩自编码器与基于流形排序的局部保持投影相融合,通过梯度下降法迭代优化求解出最优的投影矩阵,进而得到故障数据的低维表示。分别在滚动轴承数据集和抽油机数据集上进行了多项验证,故障识别准确度均在98%以上,表明该算法具有良好的特征提取能力,能够有效提高故障识别准确度,同时具有较好的鲁棒性和泛化能力。
