基于一种流形学习新算法的转子故障数据集降维研究

针对旋转机械的转子故障诊断中原始特征多、难以有效提取振动信号非线性特性的问题,提出一种结合已知故障类别信息进行流形学习降维的新算法—监督邻域保持多项式嵌入(Supervised Neighborhood Preserving Polynomial Embedding,S-NPPE)。利用样本点的故障类别信息,改进转子故障特征数据集中样本点间的欧式距离,重新构造样本点邻接图,再对数据集进行非线性降维处理。先介绍流形学习降维理论,然后给出重构邻接图以及S-NPPE算法的基本步骤,结合转子试验台的不同状态下的振动信号,探讨其在转子故障数据集降维中的应用。     

基于Schur分解和正交邻域保持嵌入算法的故障数据集降维方法

针对转子故障特征数据集降维问题,提出一种基于Schur分解和正交邻域保持嵌入算法的故障数据集降维方法--Schur-ONPE降维方法。该方法首先应用小波包分解提取不同频带内的能量以组成故障特征值集合,然后运用Schur分解和ONPE算法将高维特征集向低维投影,使降维后类内散度最小化及类间分离度最大化,最后将降维后得到的低维特征集输入K近邻分类器进行模式识别。通过双跨转子试验台的故障特征数据集进行验证,结果表明该方法能够有效地解决转子故障特征集的降维问题。     

转子故障特征数据分类的KPCA-BFDA方法

对非线性转子系统故障特征数据的分类方法进行了研究.在提出一种偏费歇判别分析法(biased fisher discriminatory analysis,简称BFDA)的前提下,进一步提出将核主成分分析法(kernel principal component analysis,简称KPCA)与偏费歇判别分析法相结合的数据集降维方法,该方法中的核主成分分析步骤用于构造剔除数据集冗余信息的降维数据集,偏费歇判别分析步骤用于进一步降低数据集维数并提高不同类别数据子集间的分离程度.对实例数据与典型故障数据的分类结果表明,提出的偏费歇判别分析法在具备费歇判别分析降维可分性能的基础上,具有更低计算复杂度的特点.提出的核主成分分析结合偏费歇判别分析的算法,其对应的降维结果能直接应用于线性分类器,且取得了较好的分类效果.     

基于流行-IMF奇异值熵的转子故障特征提取方法

针对转子振动信号的非平稳性以及微弱故障特征难以提取的问题,提出一种基于集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)的奇异值熵和流形学习算法相结合的故障特征提取方法。首先,对原始振动信号进行EEMD分解,得到若干本征模态函数(intrinsic mode function,简称IMF)分量,根据峭度 欧式距离评价指标选取故障信息丰富的敏感分量,组成初始特征向量,求其奇异值熵;其次,利用近邻概率距离拉普拉斯特征映射算法（nearby probability distance Laplacian eigenmap,简称NPDLE）对奇异值熵组成的特征矩阵进行降维处理;最后,将得到的低维特征子集输入到K-近邻(K-nearest neighbor,简称KNN)中进行模式辨识。用一个双跨度转子实验台数据集和Iris仿真数据集对所提方法进行了验证,结果表明,IMF奇异值熵和NPDLE相结合的方法可以有效地实现转子故障特征提取,提高了故障辨识的准确性。     

改进LPCDA算法及其在旋转机械故障诊断中的应用

针对高维故障数据集中有效信息利用率低导致故障分类难度偏大的问题,提出一种线性主成分判别分析（linear principal component discriminant analysis,简称LPCDA）的故障数据集降维算法。该算法将类间可分性判别与主成分计算的思想融入线性判别分析（linear discriminant analysis,简称LDA）算法中,使算法拥有剔除相关信息和冗余特征的能力,从而可以更好地保留能够反映机械运行状态有价值的故障状态信息以及特征的主要成分。实验结果表明,本算法能够剔除高维故障数据集中的相关信息、冗余特征并保留特征主要成分,具有降低故障分类难度与提高自动辨识准确率的功能。该研究可为有效降低高维故障数据集的规模和故障的分类难度、提高有效信息的挖掘能力,提供了理论参考依据。     

基于局部边缘判别投影的机械故障诊断方法

针对故障特征集维数过高的问题,提出一种基于局部边缘判别投影(locality margin discriminant projection,简称LMDP)的故障数据集降维算法。该算法定义了局部类间相似度和局部类内相似度,使相邻的异类在低维空间中离的更远、相邻的同类样本在低维空间中离的更近。分别提取转子振动信号的时域和频域统计特征,组成原始故障特征集;通过LMDP算法对原始特征集进行特征融合,选择出其中最能反映故障内在信息的低维敏感特征子集;将得到的低维特征子集输入到K近邻(K-nearest neighbor,简称KNN)分类器中进行训练和故障分类。通过2个不同型号的双跨度转子系统采集的振动信号集合验证了该方法的有效性。     

基于局部平衡判别投影的旋转机械故障诊断方法

针对旋转机械故障数据的多类别、高维复杂特性导致的分类困难问题,提出一种基于局部平衡判别投影(LBDP)的故障数据集降维方法。从时域、频域和时频域多个角度提取转子振动信号的混合特征,构建原始高维故障特征集;通过LBDP选择出其中最能反映故障本质的敏感特征子集;将得到的低维特征子集输入到K近邻分类器(KNN)中进行故障模式辨识。通过一个双转子系统的振动信号集合验证了所提出方法的有效性,证明了该方法能够全面地提取出局部判别信息,使故障类别之间的差异性更清晰。     

转子系统故障数据集D-LLE降维方法研究

针对传统降维方法中存在丢失判别信息及由高维空间原始特征张成的超曲面曲率较大时难以获取低维敏感信息的问题,提出一种基于Dijkstra算法的改进LLE(local linear embedding)转子故障数据集降维方法,即D-LLE法。在由时域、频域组成的原始特征空间中,利用Dijkstra算法具有可细致刻画出由时域、频域组成的原始特征空间的能力,结合LLE算法具备能够保持降维前后的转子故障数据集其流形保持不变的性质,据此可提取出反映转子运行状态的低维敏感特征属性。转子实验台模拟出的4种运行状态进行试验表明:优化后的特征数据集具有较好的聚类与类间可分性。     

基于转子故障数据集的KSELF降维方法

针对故障诊断中呈现强非线性的故障数据集维数过高以及有标签故障样本不足的问题,引入核方法和半监督思想,提出了一种基于核半监督局部Fisher判别分析(kernel semi-supervised local Fisher discriminant analysis,简称KSELF)的降维方法.首先,通过核方法将原始故障数...     

一种基于多流形局部线性嵌入算法的故障诊断方法

故障类别的多样性往往导致原始样本数据在特征空间中呈间断性分布,针对传统k近邻的邻域构建方法难以保证数据集几何结构完整性的问题,提出一种新的非线性最小二乘约束-局部线性嵌入算法。通过非负线性最小二乘约束搜索边界点,并结合第一主成分直线寻找其邻域样本点,重新构造关于边界点的邻域图,用经典的局部线性嵌入算法机理发现数据内在分布和几何结构,根据得到的低维嵌入采用KNN分类器进行故障模式识别;仿真数据分析与试验验证结果表明该算法高度保持了原始数据的几何拓扑结构,增强了低维嵌入的有效性,提高了故障识别精度。     

基于MSKPCA和SVM的转子故障诊断模型及应用

为提高转子故障分类与辨识的准确率,围绕故障数据的降维问题开展了研究工作。在构造了多核函数的一种特殊形式多尺度核函数前提下,研究了多尺度核函数主成分分析(Multi-Scale Kernel Principal Component Analysis,MSKPCA)法在转子故障原始特征集降维中的应用途径。将获得的新的故障特征集输入到支持向量机(SVM)进行训练与辨识,建立了具有多尺度核多层核的转子故障诊断模型。研究结果表明,在多尺度核主成分分析法中合理地选用多尺度核函数,能够更好地提取转子故障不同尺度下的敏感信息,可为转子故障辨识提供更加精确的样本,能有效地提高转子故障诊断的准确率。该研究为转子系统故障数据特征降维提供了一种新方法,为核方法在转子故障诊断中的应用提供了新的思路。     

基于改进CNN和Kmeans的双转子轴承半监督故障诊断

针对双转子轴承复杂信号故障特征难提取、工程中某些类型的故障数据缺乏时卷积神经网络（convolution neural network,简称CNN）难训练的问题,提出一种基于改进CNN和Kmeans的双转子轴承半监督故障诊断方法。首先,利用自回归（autoregressive,简称AR）模型对双转子轴承信号去噪,并基于傅里叶变换得到信号频谱作为CNN输入;其次,以Morlet小波基频域函数作为激活函数构建CNN,结合Softmax损失和提出的权重内积最小化损失在少类别训练数据下训练CNN;最后,基于Kmeans聚类算法分析CNN线性输出确定无标签数据伪标签,并结合半监督学习中自训练思想迭代CNN更新伪标签,继而依据伪标签划分双转子轴承正常、已知故障和未知故障状态。利用双转子轴承故障模拟试验台数据进行验证,结果表明,在少类别训练数据下,其诊断效果相较于人工神经网络（artificial neural network,简称ANN）等方法更佳,诊断准确率达到了100%,验证了所提方法的有效性。     

基于核schur正交局部Fisher判别的转子故障诊断

为更好识别转子系统故障,将核映射和向量正交思想引入到局部Fisher判别分析(LFDA)中,提出基于核schur正交局部Fisher判别(KSOLFD)的流形学习算法。首先通过核函数将故障特征信号映射到高维子空间,在该空间重新定义类内散度和类间散度,构建核局部Fisher判别函数,在特征值求解时以schur正交方式找出最优投影向量,进行故障诊断。算法保证了数据降维时重构误差最小,提高了故障诊断效果。实验表明,KSOLFD故障诊断效果相对其他流形学习算法最好。     

强差异性神经网络集成的转子故障识别方法

针对误差反向传播（back propagation,简称BP）神经网络在作为传统Bagging集成学习机中的基分类器时,存在相互之间差异性偏低的问题,引入一种特征扰动法对集成学习机的分类性能进行改进。首先,将Relief?F特征评估算法和改进轮盘赌选择法进行结合,并设置基分类器的数目为30个,从转子故障特征集中选择出30个特征子集,每个特征子集的故障特征维数为30;其次,将训练集和测试集分别投影在对应的30个故障特征子集上,得到对应于30个基分类器的系列训练子集和测试子集,通过此方式实现了特征扰动环节;最后,利用Bagging集成学习机中自带的自助采样法对各训练子集进行处理,使其在最终输入至各基分类器时在特征空间和样本集合上都具有一定的差异性,间接使训练后的基分类器之间显示出更高的差异性,让最终的分类结果可信度更高。用一种低维双跨转子故障数据集对该集成学习方法进行类别辨识的结果表明,本方法能够显著提高BP网络的辨识准确率,并且具有良好的抗干扰性能。     

正交迭代局部Fisher判别转子故障诊断

通过局部加权邻接矩阵重新定义类内散度和类间散度,建立局部Fisher判别函数,在特征值求解过程中以正交迭代方式找出最优投影向量,得到故障诊断模型。该方法能保证数据降维过程中的重构误差最小,并可直接运用故障诊断模型识别增量数据,避免了一般流形学习模式识别时对动态增量数据需要重建模型的问题。转子故障诊断试验表明,对于多传感器振动特征融合信号,相对其他流形学习算法,正交局部Fisher判别(orthogonl locally Fisher discriminant,简称OLFD)的故障诊断效果最好。     

碰摩故障下高维转子系统降维方法研究

碰摩故障下的转子系统为高维非线性系统,为提高数值模拟的效率,减少仿真精度损失,对比标准Galerkin法(SGM)、非线性Galerkin法(NGM)和特征正交分解法(POD)对碰摩故障下的高维转子-滚动轴承系统降维的适应性。利用Runge-Kutta方法对原系统模型和降维模型在典型工况ω=1500rad/s时进行数值仿真,对比分析轴心轨迹图。结果表明:在较大碰摩间隙下,SGM、NGM以及POD法均能有效应用于系统的降维,但NGM和POD优于SGM法;在较小碰摩间隙下,非线性碰摩力增大,SGM与NGM降维方法失效,而POD法依然有效,其在处理碰摩故障下高维转子系统的强非线性问题时要优于SGM和NGM。利用POD法对碰摩故障下的高维转子系统进行降维处理,在保证仿真精度的同时能提高数值模拟的效率。     

基于进化算法优化GAN的轴承故障诊断

针对滚动轴承故障诊断故障样本类别不平衡的问题,提出一种基于进化算法优化的条件生成对抗网络（evolutionary conditional generative adversarial nets, 简称ECGAN）故障诊断方法。首先,利用进化算法优化条件生成对抗网络中的生成器,使其在不同的损失函数下生成与原始样本分布相似的新样本,扩充数据集;其次,将生成的样本和原始样本输入判别器,提取出样本中有效的数据特征,判断输入样本的真假和类别;最后,通过对抗学习机制优化生成器和判别器,提高网络的故障识别能力。实验结果表明,在轴承故障样本数据类别不平衡的情况下,ECGAN模型具有较好的故障诊断性能。     

自适应NWFE-KFCM算法在旋转机械故障辨识中的应用

为提高故障辨识准确率,提出一种专用于故障数据集自适应确定聚类类别数目的非参数加权特征提取(NWFE)和模糊核C-均值(KFCM)相结合的算法。以一个双跨度转子实验台作为实验研究对象,在将核函数与模糊C-均值方法相结合的基础上,采用NWFE算法中加权聚类中心的计算实现了为每个样本分配不同的权值,并引入聚类评价指标PBMF自适应地确定出最佳聚类数目。用Iris经典数据集对算法进行验证表明,所提算法能够克服传统算法中存在的同等对待不同样本特征和完全靠先验知识确定聚类数目的弊端。将该算法应用到转子实验台模拟故障的特征数据集中,进一步表明了其在转子故障数据集聚类分析中的有效性和实用性。     

t分布随机近邻嵌入机械故障特征提取方法研究

将t分布随机近邻嵌入(t-SNE)流形学习方法应用于机械振动信号的故障特征提取,实现高维特征信息降维处理。通过小波包分解算法将原始振动信号分解为多层小波子空间,通过计算各层的小波阈值熵构造高维特征数据,然后采用t-SNE方法对构造的高维特征数据进行数据降维,获取低维故障特征信息。采用本特利转子试验台进行故障仿真实验,对采集获得的几种典型故障状态下的振动数据分别基于小波包阈值熵及统计特征构造2组高维数据,并对2组高维特征数据分别采用t-SNE方法进行数据降维处理获得其二维特征数据,通过对比验证了基于小波包阈值熵法构造高维数据后进行t-SNE数据降维的特征提取方法能够更有效的区分故障特征。     

基于正交局部保持映射的转子故障诊断方法

为了改善故障模式识别的分类性能,提出了一种基于正交局部保持映射算法的多流形特征提取方法。对于高维的非线性数据可以有效地提取低维流形特征向量,并且不会改变数据的内在属性。利用转子的振动信号构造一个高维多征兆矩阵,然后在应用正交局部保持映射将这个高维矩阵进行降维,提取低维特征向量矩阵,映射在可视空间里,从而可以有效地达到故障分类的效果,提高故障诊断的准确率。最后通过实验和数据降维仿真证明了正交局部保持映射算法的有效性和可行性。