基于AVMD和排列熵的t分布邻域嵌入流形HHO-SVM模拟电路故障诊断方法 被引量：4

1

作者 陈晓梅 王行健 +1 位作者 蔡烨 周博 《电子测量与仪器学报》 CSCD 北大核心 2024年第6期233-240,共8页

随着信息大数据时代的到来,对于电子系统的依赖程度越来越高,因此模拟电路的故障诊断的准确度要求与日俱增。而模拟电路故障诊断困难,是电子系统诊断维修的瓶颈。本文提出基于自适应变分模态分解(AVMD)和排列熵(PE)的t分布邻域嵌入流形... 随着信息大数据时代的到来,对于电子系统的依赖程度越来越高,因此模拟电路的故障诊断的准确度要求与日俱增。而模拟电路故障诊断困难,是电子系统诊断维修的瓶颈。本文提出基于自适应变分模态分解(AVMD)和排列熵(PE)的t分布邻域嵌入流形哈里斯鹰优化支持向量机(HHO-SVM)模拟电路故障诊断方法。首先,利用AVMD对待测电路的观测信号进行自适应变分模态分解,得到多组IMF信号,不仅可以克服噪声干扰,而且可以来自适应地确定分解模式的数量,进一步提升分解精度;再对IMF计算排列熵,以充分体现IMF不同时段局部特征,二者相结合构建故障特征向量。并在此基础上,采用t分布式随机邻域嵌入(t-SNE)实现特征空间的流形学习和降维,构建具有良好区分度且保留原来的局部结构特征的故障特征向量;最后依靠哈里斯鹰优化支持向量机(HHO-SVM),使其具有良好的分类准确度,从而最终完成电路故障诊断。通过仿真验证,结果显示,本文方法故障诊断正确率可达100%,效果良好。 展开更多

关键词 自适应变分模态分解AVMD t分布邻域嵌入 故障诊断 哈里斯鹰优化支持向量机

在线阅读 下载PDF 职称材料

基于t分布随机邻域嵌入的阿尔茨海默症诊断模型 被引量：3

2

作者 成超 杨晨晖 《厦门大学学报（自然科学版）》 CAS CSCD 北大核心 2017年第1期123-128,共6页

对大脑皮层厚度数据进行建模从而实现阿尔茨海默症的诊断.在训练样本少,数据复杂且非线性的情况下,相比于BP神经网络和k最近邻等算法,支持向量机算法表现出更优良的特性.针对支持向量机算法受数据高维度的影响,将t分布随机邻域嵌入算法... 对大脑皮层厚度数据进行建模从而实现阿尔茨海默症的诊断.在训练样本少,数据复杂且非线性的情况下,相比于BP神经网络和k最近邻等算法,支持向量机算法表现出更优良的特性.针对支持向量机算法受数据高维度的影响,将t分布随机邻域嵌入算法引入到支持向量机模型.t分布随机邻域嵌入算法既能撷取原始高维数据的局部信息,也能揭示全局结构.t分布随机邻域嵌入算法先将这些非线性数据降维到低维空间,支持向量机算法再将这数据映射到新的高维空间,通过寻找最佳分类超平面的方法,使分类效果达到最佳水平.最后将集成学习算法AdaBoost的思想融入模型,可以使模型的分类准确率得到提升,而且变得鲁棒性更强. 展开更多

关键词 支持向量机 t分布随机邻域嵌入 集成学习 阿尔茨海默症

在线阅读 下载PDF 职称材料

基于t分布随机邻域嵌入算法的工业过程故障分类 被引量：4

3

作者 陶飞 苗爱敏 +2 位作者 李鹏 曹敏 李维 《南京理工大学学报》 EI CAS CSCD 北大核心 2020年第3期332-339,共8页

针对在工业过程中数据普遍存在的非线性特性,基于数据的局部相关关系对分类的影响,提出一种基于t分布随机邻域嵌入(t-SNE)的数据特征提取和故障分类方法。利用t-SNE算法非线性、非参数降维的优势,与费舍判别分析(FDA)、支持向量机(SVM)... 针对在工业过程中数据普遍存在的非线性特性,基于数据的局部相关关系对分类的影响,提出一种基于t分布随机邻域嵌入(t-SNE)的数据特征提取和故障分类方法。利用t-SNE算法非线性、非参数降维的优势,与费舍判别分析(FDA)、支持向量机(SVM)分类器相结合建立故障分类模型。利用t-SNE算法对故障数据进行非线性特征提取,获取数据的关键区分特征。用FDA和SVM算法实现故障分类和识别。通过田纳西-伊士曼(TE)过程获得的实验数据进行实验仿真分析,并分别与基于核主元分析法(KPCA)、拉普拉斯特征映射(LE)构建的KPCA-FDA、LE-FDA、KPCA-SVM、LE-SVM 4种故障分类模型进行比较。定量评估结果表明:即使基于不同分类器,相较于其他2种方法,该文方法的分类准确率分别提升了2%和7%,且其平均分类准确率能保持在97%以上。 展开更多

关键词 t分布随机邻域嵌入 工业过程 费舍判别分析 支持向量机 田纳西-伊士曼过程 核主元分析法 拉普拉斯特征映射

在线阅读 下载PDF 职称材料

基于HMFDE和t-SNE的旋转机械故障诊断方法 被引量：4

4

作者 尹久 张杰 《机电工程》 CAS 北大核心 2024年第6期1058-1067,共10页

针对旋转机械的故障特征提取较难,以及单一类型的特征无法全面反映故障特性的问题,提出了一种基于混合多尺度波动散布熵(HMFDE)、t分布-随机邻域嵌入(t-SNE)和郊狼优化算法(COA)优化极限学习机(ELM)的旋转机械故障诊断方法。首先,采用... 针对旋转机械的故障特征提取较难,以及单一类型的特征无法全面反映故障特性的问题,提出了一种基于混合多尺度波动散布熵(HMFDE)、t分布-随机邻域嵌入(t-SNE)和郊狼优化算法(COA)优化极限学习机(ELM)的旋转机械故障诊断方法。首先,采用特征加权提出了混合多尺度波动散布熵方法,并将其用于提取旋转机械振动信号的故障特征;随后,采用t-SNE方法对混合故障特征进行了特征降维,挑选出了最能够反映故障特性的特征子集,构建了敏感特征样本;最后,采用郊狼优化算法对极限学习机的输入权重和隐含层阈值进行了优化,完成了旋转机械的故障识别和分类;以齿轮箱和滚动轴承故障数据集为对象,对基于HMFDE、t-SNE和COA-ELM的故障诊断方法进行了实验,验证了方法的有效性。研究结果表明:采用HMFDE-t-SNE-CAO-ELM故障诊断方法可以取得100%的故障识别准确率,该方法能够有效地诊断旋转机械的不同故障类型和损伤;相较于基于单一类型特征的故障诊断方法,其准确率分别可以提高0.68%、22.42%、29.18%(齿轮箱)和1.43%、8.23%、23.67%(滚动轴承),虽然牺牲了一定的计算效率,但准确率得到了明显的提高;相较于其他常规故障分类器,COA-ELM的故障识别准确率具有明显的优势。 展开更多

关键词 旋转机械 故障诊断 齿轮箱 滚动轴承 混合多尺度波动散布熵 t分布-随机邻域嵌入 郊狼优化算法 极限学习机

在线阅读 下载PDF 职称材料

BH随机邻域嵌入在驾驶行为识别中的应用

5

作者 杨云开 范文兵 彭东旭 《计算机应用与软件》 北大核心 2021年第1期166-170,210,共6页

针对驾驶系统处理大量驾驶数据时出现的效率和精度不足的问题,提出一种基于巴恩斯哈特随机邻域嵌入(BH-SNE)和径向基函数神经网络(RBFNN)的识别算法。从手机传感器中获取加速度数据、陀螺仪数据和磁强计数据,融合这三种传感器数据,经过... 针对驾驶系统处理大量驾驶数据时出现的效率和精度不足的问题,提出一种基于巴恩斯哈特随机邻域嵌入(BH-SNE)和径向基函数神经网络(RBFNN)的识别算法。从手机传感器中获取加速度数据、陀螺仪数据和磁强计数据,融合这三种传感器数据,经过预处理后使用BH-SNE完成降维处理,将降维数据输入到RBFNN中识别出驾驶行为。实验结果表明,BH-SNE的效率远高于t分布式随机邻域嵌入(t-SNE),并且可视化效果优于t-SNE,该模型的整体识别率为98.8%,分类效果优于传统的机器学习算法。 展开更多

关键词 传感器数据 数据融合 数据可视化 t分布式随机邻域嵌入 径向基函数神经网络

在线阅读 下载PDF 职称材料

基于1DCNN和PLSDA酸枣仁真伪高光谱图像鉴别中的关键特征分析

6

作者 赵昕 石玉娜 +5 位作者 刘怡彤 姜洪喆 褚璇 赵志磊 王宝军 陈晗 《光谱学与光谱分析》 北大核心 2025年第3期869-877,共9页

酸枣仁因其养心益肝的功效,是安神助眠类保健品和中药制剂的重要原料。目前市售酸枣仁掺假现象严重,极大损害了消费者利益,扰乱了市场秩序。传统人工检测或基于实验室的高效液相色谱方法存在效率低,推广难的问题。本研究基于卷积神经网... 酸枣仁因其养心益肝的功效,是安神助眠类保健品和中药制剂的重要原料。目前市售酸枣仁掺假现象严重,极大损害了消费者利益,扰乱了市场秩序。传统人工检测或基于实验室的高效液相色谱方法存在效率低,推广难的问题。本研究基于卷积神经网络和偏最小二乘判别提出了一种高光谱成像酸枣仁真伪鉴别方法,并对两类模型中的关键光谱特征进行了讨论研究,为后续多光谱系统和便携式仪器开发提供借鉴。提取酸枣仁及其常见伪品(理枣仁、兵豆和枳椇子)高光谱图像(400~1000 nm)中所有单籽粒的平均光谱。基于平均光谱分别建立偏最小二乘判别分析(PLSDA)模型和一维卷积神经网络(1DCNN)模型。PLSDA建模前采用竞争性自适应重加权算法(CARS)挑选特征波长。在1DCNN模型中添加了自定义波长选择层,并对卷积层和全连接层输出结果应用t分布随机邻域嵌入(t-SNE)进行可视化分析。为了与CARS-PLSDA模型进行有效对比,构建了基于五个波长的5W-1DCNN模型。结果表明CARS-PLSDA和1DCNN模型都能获得理想的预测效果,校正集和预测集分类正确率均在99%以上。对比CARS与自定义层挑选的特征波长,670、721和850 nm附近的波长在两种模型中均具有重要作用。研究结果为酸枣仁真伪快速鉴别的多光谱和便携式检测设备提供参考。 展开更多

关键词 高光谱成像 一维卷积神经网络 t分布随机邻域嵌入 偏最小二乘法判别分析

在线阅读 下载PDF 职称材料

VMD和t-SNE相结合的滚动轴承故障诊断 被引量：14

7

作者 丁承君 张良 +1 位作者 冯玉伯 付晓阳 《机械科学与技术》 CSCD 北大核心 2020年第5期758-764,共7页

滚动轴承故障诊断普遍采用有监督学习的方式,针对有标签数据难以获取的问题,提出一种VMD分解与t-SNE流形学习相结合的滚动轴承故障诊断方法。利用VMD分解将滚动轴承原始振动信号分解为若干本征模态分量(IMF);计算每个模态分量的时频特... 滚动轴承故障诊断普遍采用有监督学习的方式,针对有标签数据难以获取的问题,提出一种VMD分解与t-SNE流形学习相结合的滚动轴承故障诊断方法。利用VMD分解将滚动轴承原始振动信号分解为若干本征模态分量(IMF);计算每个模态分量的时频特性指标组成高维故障特征,通过t-SNE对故障进行二次特征提取,获取低维敏感特征并将其作为K-means分类器的输入,实现故障类型的识别。将该方法应用到滚动轴承故障诊断中并与VMD+PCA、原始时频特征+t-SNE两种方法进行对比,结果表明VMD+t-SNE方法以无监督学习的方式实现了故障诊断的去标签化和自适应性,同时提高了故障诊断的准确性。 展开更多

关键词 变分模态分解 t分布随机邻域嵌入 滚动轴承 特征提取 故障诊断

在线阅读 下载PDF 职称材料

集成KPCA与t‑SNE的滚动轴承故障特征提取方法 被引量：21

8

作者 王望望 邓林峰 +1 位作者 赵荣珍 吴耀春 《振动工程学报》 EI CSCD 北大核心 2021年第2期431-440,共10页

针对滚动轴承原始数据集包含高维非敏感特征的问题,提出一种集成核主成分分析(Kernel Principal Component Analysis,KPCA)与t‑分布随机邻域嵌入(t‑distributed Stochastic Neighbor Embedding,t‑SNE)的滚动轴承故障低维敏感特征提取方... 针对滚动轴承原始数据集包含高维非敏感特征的问题,提出一种集成核主成分分析(Kernel Principal Component Analysis,KPCA)与t‑分布随机邻域嵌入(t‑distributed Stochastic Neighbor Embedding,t‑SNE)的滚动轴承故障低维敏感特征提取方法。该方法先计算滚动轴承原始振动信号的时域、频域以及时频域特征,构建初始高维特征数据集。利用KPCA降低高维数据集的相关性,在最大化高维数据全局特征方差的目标下,提取出非线性特征子集。通过t‑SNE充分挖掘故障特征数据集的局部结构信息,进一步获取具有高判别性的低维敏感特征子集。将低维特征子集输入到k‑近邻分类器(k‑nearest Neighbor Classifier,KNNC)进行分类,以分类准确率和聚类结果作为度量指标,对特征提取结果的优劣予以评价。上述过程综合考虑了数据集的全局和局部结构特征,充分利用了数据自身的结构信息,从而可准确提取其低维敏感特征。将该方法用于滚动轴承故障诊断实验中,通过与其他典型特征提取方法进行对比,及其对含噪情况下轴承故障特征的准确提取,验证了方法的有效性。 展开更多

关键词 故障诊断 滚动轴承 故障特征提取 核主成分分析 t‑分布随机邻域嵌入 k‑近邻分类器

在线阅读 下载PDF 职称材料

基于Mt-SNE的冷水机组故障特征检测研究

9

作者 杨皓琳 丁强 +1 位作者 江爱朋 戴炳坤 《计算机应用与软件》 北大核心 2022年第12期78-82,166,共6页

针对欧氏距离在高维空间中不能忠实反映样本位于非线性流形上的相似关系,提出基于马氏距离的t分布随机邻域嵌入算法(Mt-SNE)。用改进的算法对输入数据进行降维处理,并将输出结果作为支持向量机(SVM)的输入向量进行分类,采用ASHRAE制冷... 针对欧氏距离在高维空间中不能忠实反映样本位于非线性流形上的相似关系,提出基于马氏距离的t分布随机邻域嵌入算法(Mt-SNE)。用改进的算法对输入数据进行降维处理,并将输出结果作为支持向量机(SVM)的输入向量进行分类,采用ASHRAE制冷系统故障实验数据进行模型训练与验证。结果表明,该算法比传统的线性降维算法主元分析法(PCA)和非线性降维算法t分布随机邻域嵌入(t-SNE)都有更好的特征提取能力,可以用于冷水机组故障数据的特征提取。 展开更多

关键词 冷水机组 故障诊断 t分布随机邻域嵌入 支持向量机 马氏距离 欧氏距离

在线阅读 下载PDF 职称材料

基于卷积神经网络的交直流输电系统故障诊断 被引量：41

10

作者 张大海 张晓炜 +1 位作者 孙浩 和敬涵 《电力系统自动化》 EI CSCD 北大核心 2022年第5期132-140,共9页

随着交直流输电系统规模的不断扩大,电网结构和故障特征愈加复杂,现有故障诊断方法面对复杂电网和超大数据量时难以精准提取故障特征,急需适应性强且准确率高的电网故障诊断方法。为此提出一种基于卷积神经网络(CNN)的电网故障诊断方法... 随着交直流输电系统规模的不断扩大,电网结构和故障特征愈加复杂,现有故障诊断方法面对复杂电网和超大数据量时难以精准提取故障特征,急需适应性强且准确率高的电网故障诊断方法。为此提出一种基于卷积神经网络(CNN)的电网故障诊断方法。首先,通过逐层筛选、逐层增叠的网络构造方式逐步测试,其目的是为了构建充分适应于电网故障诊断的网络结构;然后,利用网络层级优化策略调整训练参数,并以交叉熵最小为目标对深层故障特征进行挖掘;最后,在MATLAB/Simulink平台上搭建交直流输电系统模型,结合t分布随机邻域嵌入(t-SNE)可解释性技术展示诊断效果,通过与传统方法对比证明所提方法能够深度挖掘故障特征且具备很高的诊断准确率。 展开更多

关键词 深度学习 卷积神经网络 交直流输电系统 故障诊断 t分布随机邻域嵌入

在线阅读 下载PDF 职称材料

基于纯电动汽车高频数据的驾驶风格分类方法 被引量：6

11

作者 纪少波 张珂 +4 位作者 李伦 苏士斌 何绍清 冯远宏 张强 《同济大学学报（自然科学版）》 EI CAS CSCD 北大核心 2022年第2期273-282,共10页

基于纯电动汽车的高频运行数据选取了15项与驾驶安全有关的特征参数;通过对各特征参数的统计分析,提出了多参数组合阈值边界线进行危险驾驶行为识别,然后对比分析了两种聚类算法和4种降维方法的效果,采用t分布随机邻域嵌入(t‑SNE)和高... 基于纯电动汽车的高频运行数据选取了15项与驾驶安全有关的特征参数;通过对各特征参数的统计分析,提出了多参数组合阈值边界线进行危险驾驶行为识别,然后对比分析了两种聚类算法和4种降维方法的效果,采用t分布随机邻域嵌入(t‑SNE)和高斯混合模型(GMM)组合算法建立了驾驶风格分类模型,将驾驶风格分为3种类型。在此基础上,研究了不同驾驶风格对应的车辆运行特性。该分类模型能够有效反映驾驶员的驾驶习惯,为车队管理和道路安全提供可靠的评估依据。 展开更多

关键词 危险驾驶行为 驾驶风格 高斯混合模型 t分布随机邻域嵌入

在线阅读 下载PDF 职称材料

基于改进贝叶斯神经网络的光伏出力概率预测 被引量：50

12

作者 赵康宁 蒲天骄 +1 位作者 王新迎 李烨 《电网技术》 EI CSCD 北大核心 2019年第12期4377-4386,共10页

光伏功率预测准确性对电网调度运行影响很大,传统的确定性预测方法对光伏出力波动的响应能力不足,给电网的安全稳定运行带来挑战。提出了基于改进贝叶斯神经网络的光伏出力概率预测方法,将神经网络的权重以概率分布的形式表示,提高了神... 光伏功率预测准确性对电网调度运行影响很大,传统的确定性预测方法对光伏出力波动的响应能力不足,给电网的安全稳定运行带来挑战。提出了基于改进贝叶斯神经网络的光伏出力概率预测方法,将神经网络的权重以概率分布的形式表示,提高了神经网络应对光伏出力随机性的能力;依据输入输出相关性进行特征降维,提高数据密度,抑制过拟合;在贝叶斯神经网络的输入端引入全连接神经网络与一维卷积神经网络,提高网络对不同输入数据的信息提取能力,提高预测精度。以实际系统为例进行实证分析,结果表明,与传统的确定性预测模型相比,所提方法在光伏出力波动时具有更高的预测准确率;与其他概率预测方法相比,所提方法在保持较高总体预测准确率的同时,预测功率区间更窄。 展开更多

关键词 分布式光伏 概率预测 贝叶斯神经网络 t分布邻域嵌入

在线阅读 下载PDF 职称材料

基于空间坐标与振动特征融合的机床切削状态分类方法 被引量：2

13

作者 王晶 程晓斌 +2 位作者 高艳 王勋 杨军 《振动与冲击》 EI CSCD 北大核心 2022年第23期249-256,306,共9页

t分布的随机邻域嵌入(t-distributed stochastic neighbor embedding, t-SNE)常被用作机床切削状态分类中的特征选择方法,以学习切削参数之间的潜在关系。为了提高切削状态分类的精度,融合振动信号特征与切削激励点的空间坐标,提出了空... t分布的随机邻域嵌入(t-distributed stochastic neighbor embedding, t-SNE)常被用作机床切削状态分类中的特征选择方法,以学习切削参数之间的潜在关系。为了提高切削状态分类的精度,融合振动信号特征与切削激励点的空间坐标,提出了空间坐标嵌入的t分布的随机邻域嵌入方法(spatial coordinate embedded t-SNE, Ct-SNE)。该方法采用振动信号构建高维特征空间,将空间坐标作为物理信息嵌入至特征空间,以优选出类内相似度高、类间差异性大的特征。试验采集了三轴立式铣床加工的数据,对比了传统t-SNE方法与Ct-SNE方法的可视化结果和切削状态分类的准确性。结果表明,与传统方法相比,切削激励点的空间坐标的引入可以提高振动特征的可区分度,显著提升切削状态分类的准确率。 展开更多

关键词 状态监测 t分布的随机邻域嵌入 特征选择 振动监测 空间坐标

在线阅读 下载PDF 职称材料

基于可见-近红外光谱及随机森林的鸡蛋产地溯源 被引量：4

14

作者 王彬 王巧华 +3 位作者 肖壮 马逸霄 李理 杨朋 《食品工业科技》 CAS CSCD 北大核心 2017年第24期243-247,共5页

为了研究快速无损鉴别鸡蛋产地的可行性,利用可见-近红外光谱技术,采集4种湖北不同产地鸡蛋的透射光谱(500~900 nm),利用中心化、归一化、标准正态变量(SNV)、Savitzky-Golay平滑滤波(SG)和多元散射校正(MSC)、直接正交信号校正(Direct ... 为了研究快速无损鉴别鸡蛋产地的可行性,利用可见-近红外光谱技术,采集4种湖北不同产地鸡蛋的透射光谱(500~900 nm),利用中心化、归一化、标准正态变量(SNV)、Savitzky-Golay平滑滤波(SG)和多元散射校正(MSC)、直接正交信号校正(Direct Orthogonal Signal Correction,DOSC)算法对光谱数据进行预处理,采用t分布式随机邻域嵌入(t-distributed stochastic neighbor embedding,t-SNE)、主成分分析(PCA)方法对预处理后的数据降维,并将降维后的数据分别输入极限学习机(extreme learning machine,ELM)和随机森林(random forest,RF),建立鸡蛋产地溯源模型。比较两种方法建立的模型,发现运用DOSC预处理及t-SNE提取的光谱特征信息建立的RF模型鉴别效果最好,训练集和预测集的鉴别正确率分别为100%和98.33%。研究结果表明基于可见-近红外光谱技术对鸡蛋产地溯源是可行的,为进一步研究与开发鸡蛋产地溯源便携式仪器提供技术支持。 展开更多

关键词 可见-近红外光谱 鸡蛋 产地溯源 t分布式随机邻域嵌入 随机森林

在线阅读 下载PDF 职称材料

一种基于降维密度聚类的船舶异常轨迹识别方法 被引量：1

15

作者 李可欣 郭健 +3 位作者 王宇君 李宗明 缪坤 陈辉 《包装工程》 CAS 北大核心 2023年第11期284-292,共9页

目的有效分析和探索海洋船舶时空轨迹行为模式,提高船舶轨迹聚类的效率与质量,更好地检测真实船舶的异常行为。方法针对当前船舶轨迹数据研究中存在的对多维特征信息利用不足、检测效率不高、检测精度较差等问题,提出一种精确度高、能... 目的有效分析和探索海洋船舶时空轨迹行为模式,提高船舶轨迹聚类的效率与质量,更好地检测真实船舶的异常行为。方法针对当前船舶轨迹数据研究中存在的对多维特征信息利用不足、检测效率不高、检测精度较差等问题,提出一种精确度高、能自主识别分析多维特征的船舶异常轨迹识别方法。首先利用随机森林分类器评估多维特征重要性,构建轨迹特征的最优组合;然后提出一种降维密度聚类方法,将T–分布随机邻域嵌入(T–SNE)和自适应密度聚类(DBSCAN)模型结合,通过构建特征选择层和无监督聚类层实现对数据元素非线性关系的高效提取以及对聚类参数的智能选择;最后根据聚类结果构建类簇特征向量,计算距离阈值判别轨迹相似度,实现轨迹异常检测模型的构建。结果以UCI数据集为例,降维密度聚类方法对4、13、30、64维特征数据集的F1分数能达到0.9048、0.9534、0.8218、0.6627,多个聚类指标均优于DBSCAN、K–Means等常见聚类算法的。结论研究结果表明,降维密度聚类方法能有效提取数据多维特征结构,实现聚类参数自适应,弥补密度聚类中参数难以确定的问题,有效实现对多种类型船舶轨迹异常的识别。 展开更多

关键词 异常检测 时空轨迹 特征降维 密度聚类 参数自适应 t–分布随机邻域嵌入 随机森林

在线阅读 下载PDF 职称材料

基于自适应RCGmvMFE和流行学习的滚动轴承故障诊断 被引量：4

16

作者 刘武强 杨小强 申金星 《机械强度》 CAS CSCD 北大核心 2022年第1期9-18,共10页

多尺度模糊熵能够较好的量化振动信号的复杂程度,但缺乏对其他信道信息的有效利用,为了充分利用其他信道的振动信息,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中。为了准确提取轴承信号中的故障特征,提出了基... 多尺度模糊熵能够较好的量化振动信号的复杂程度,但缺乏对其他信道信息的有效利用,为了充分利用其他信道的振动信息,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中。为了准确提取轴承信号中的故障特征,提出了基于自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和精细复合广义多变量多尺度模糊熵(Refined Composite Generalized Multivariate Multiscale Fuzzy Entropy,RCGmvMFE)的轴承多故障诊断方法。首先利用CEEMDAN对多信道的源信号进行分解获得无模式混叠的IMF。然后采用相关性分析方法对IMF分量进行筛选,选出对故障特征敏感的IMF作为多通道数据构成多元变量,并计算其RCGmvMFE组成故障特征。随后采用t分布随机邻域嵌入(t-distributed Stochastic Neighbor Embedding,t-SNE)对高维特征进行维数约简。最后利用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化核极限学习机(Kernel Extreme Learning Machine,KELM)对低维故障特征进行分类。实验结果表明,该方法能够有效地诊断轴承不同程度的故障,为滚动轴承的故障诊断提供了补充方法。 展开更多

关键词 CEEMDAN 精细复合广义多变量多尺度模糊熵 敏感IMF t分布随机邻域嵌入 流行学习 滚动轴承 故障诊断

在线阅读 下载PDF 职称材料

基于集成精细复合多元多尺度模糊熵的齿轮箱故障诊断 被引量：1

17

作者 杨小强 宫建成 +1 位作者 安立周 刘晓明 《机电工程》 CAS 北大核心 2023年第3期335-343,共9页

针对齿轮箱故障信号具有非线性和非平稳性的特点,且目前的方法对其特征提取不够充分这一问题,对不同形式粗粒化方法的集成、多通道信号处理方法在模糊熵算法上的应用进行了研究,提出了一种新的特征提取方法,即集成精细复合多元多尺度模... 针对齿轮箱故障信号具有非线性和非平稳性的特点,且目前的方法对其特征提取不够充分这一问题,对不同形式粗粒化方法的集成、多通道信号处理方法在模糊熵算法上的应用进行了研究,提出了一种新的特征提取方法,即集成精细复合多元多尺度模糊熵(ERCmvMFE)算法,在此基础上,结合t分布随机邻域嵌入(t-SNE)和人工鱼群算法优化的核极限学习机(AFSA-KELM),提出了一种新的齿轮箱故障综合诊断方法。首先,采用多种形式粗粒化方法的集成方法以及多通道信号处理方法,对模糊熵算法进行了改进,并进行了齿轮箱故障的初始特征提取;然后,通过t-SNE压缩原始故障特征,实现了维数的约简,并将低维故障特征输入至AFSA-KELM中进行了故障的分类识别;最后,为了对ERCmvMFE方法的特征提取性能进行测试,采用QPZZ-II旋转机械故障模拟测试平台进行了相关的实验。实验结果表明:采用新的齿轮箱故障综合诊断方法能够对不同类型的齿轮箱故障进行可靠诊断,对齿轮箱5种工况下的20次识别实验中,获得的平均准确率可达98.92%,标准差为0.956,识别准确率和稳定性均优于其他对比方法。研究结果表明:采用ERCmvMFE算法能够更充分地提取出齿轮箱的故障特征,因此,基于该特征提取方法的故障诊断方法具有更高的齿轮箱故障识别准确率。 展开更多

关键词 集成精细复合多元多尺度模糊熵 人工鱼群算法优化的核极限学习机 t分布随机邻域嵌入 特征提取 多粗粒化处理 多通道信号处理 故障分类识别

在线阅读 下载PDF 职称材料

基于集成学习强化BPNN的掘进工作面温度预测模型

18

作者 马恒 张世龙 高科 《工矿自动化》 2025年第8期88-94,158,共8页

针对现有掘进工作面温度预测方法存在预测模型泛化性不强、鲁棒性较差,且对非线性多维数据的预测能力有限的问题,提出了一种基于集成学习强化反向传播神经网络(BPNN)的掘进工作面温度预测模型,即t−SNE−BPNN−AdaBoost。首先采用t−分布随... 针对现有掘进工作面温度预测方法存在预测模型泛化性不强、鲁棒性较差,且对非线性多维数据的预测能力有限的问题,提出了一种基于集成学习强化反向传播神经网络(BPNN)的掘进工作面温度预测模型,即t−SNE−BPNN−AdaBoost。首先采用t−分布随机邻域嵌入(t−SNE)非线性降维技术,将通风机前风量、温度、相对湿度等7项高维特征降至3维,保留数据局部结构并去除噪声。然后将降维数据输入BPNN作为基分类器,经迭代训练得到初步模型。最后通过自适应推进算法(AdaBoost)集成学习,迭代训练多个BPNN弱分类器并加权组合为强分类器,增强模型泛化能力。将60组掘进工作面实测数据按8∶2划分为训练集与测试集,经5折交叉验证确定AdaBoost最优弱学习器数量为30。实验结果表明:①t−SNE−BPNN−AdaBoost预测曲线和真实值贴合度最优,整体误差小,在温度突变区段适应力强,稳定性远超SVM,BPNN和t−SNE−BPNN。②t−SNE−BPNN−AdaBoost的预测相对误差最小,几乎在5%以内,表现出最优的预测精度。③在测试集上,t−SNE−BPNN−AdaBoost的决定系数为0.9784,较SVM,BPNN,t−SNE−BPNN分别提高了60.3%,17.2%,8.1%;平均绝对误差为0.1676,均方误差为0.0567,平均绝对百分比误差为0.9640,指标均显著优于SVM,BPNN和t−SNE−BPNN,在温度突变区段适应性更强。 展开更多

关键词 掘进工作面温度预测 t−分布随机邻域嵌入 BP神经网络 t−SNE 自适应推进算法 AdaBoost集成学习 5折交叉验证

在线阅读 下载PDF 职称材料