基于最优特征集和马氏距离KNN分类的机械故障分类方法研究

发布时间：2018-05-27 14:39

  本文选题：故障诊断 + KNN算法　； 参考：《机械设计与制造》2017年07期

【摘要】：针对传统K近邻(K-Nearest Neighbor,KNN)算法在进行机械故障信号识别的过程中,无法挖掘特征参数之间关联性,提出一种基于最优特征集的马氏距离KNN分类方法,根据机械故障信号的非线性特点,使用小波分解获得时频域故障特征,通过局部嵌入算法(Locally Linear Embedding,LLE)来进行二次故障特征提取,从而获得多相关特征集并对其进行主成分分析得到最优特征集,最后通过数值仿真信号和齿轮故障数据的分析了方法的有效性。结果表明该方法能够有效挖掘特征参数之间关联性,增加不同故障之间区分度,从而提高故障识别精度。
[Abstract]:In view of the fact that the traditional K-nearest neighbor KNN (K-nearest neighbor KNN) algorithm is unable to mine the correlation between the feature parameters in the process of mechanical fault signal recognition, a Markov distance KNN classification method based on the optimal feature set is proposed. According to the nonlinear characteristics of mechanical fault signal, wavelet decomposition is used to obtain the time-frequency domain fault feature, and local embedding algorithm is used to extract the secondary fault feature. The multi-correlation feature set is obtained and the optimal feature set is obtained by principal component analysis. Finally, the validity of the method is analyzed by numerical simulation signal and gear fault data. The results show that this method can effectively mine the correlation between feature parameters and increase the degree of discrimination among different faults, thus improving the accuracy of fault identification.
【作者单位】： 广东石油化工学院;
【基金】：茂名市科技计划项目(2012B01066)
【分类号】：TH17

【参考文献】

相关期刊论文 前6条

1 王少锋;王戈;王建国;高琳;;基于小波包熵与EMD的能量算子解调机械故障诊断[J];机械设计与制造;2015年10期

2 胡建中;吴瑶;谢小欣;;一种基于LLE特征融合的故障识别方法[J];中国机械工程;2013年24期

3 Shu Zhao;Chen Rui;Yanping Zhang;;MICkNN:Multi-Instance Covering kNN Algorithm[J];Tsinghua Science and Technology;2013年04期

4 谢小欣;胡建中;许飞云;贾民平;;一种基于多流形局部线性嵌入算法的故障诊断方法[J];机械工程学报;2013年11期

5 杨金福;宋敏;李明爱;;一种新的基于距离加权的模板约简K近邻算法[J];电子与信息学报;2011年10期

6 马瑞;王家■;宋亦旭;;基于局部线性嵌入(LLE)非线性降维的多流形学习[J];清华大学学报(自然科学版)网络.预览;2008年04期

【共引文献】

相关期刊论文 前10条

1 孟亚辉;;基于最优特征集和马氏距离KNN分类的机械故障分类方法研究[J];机械设计与制造;2017年07期

2 张慧妍;李爽;王小艺;王立;于家斌;许继平;董银卯;孟宏;;基于关联性的动态分类模型——以皮肤与体质为例[J];工程科学与技术;2017年03期

3 吴翠颖;周涛;陆惠玲;王媛媛;;特征级图像融合及在医学图像中的应用研究[J];电视技术;2016年12期

4 马萍;张宏立;范文慧;;基于局部与全局结构保持算法的滚动轴承故障诊断[J];机械工程学报;2017年02期

5 石陆魁;周浩;刘文浩;;基于流形学习的路面破损图像多特征融合与可视化[J];公路交通科技;2016年11期

6 薄翠梅;韩晓春;易辉;李俊;;基于聚类选择k近邻的LLE算法及故障检测[J];化工学报;2016年03期

7 王广斌;罗军;贺旖琳;杜晓阳;陈庆怡;;基于局部线性嵌入的多流形学习故障诊断方法[J];湖南科技大学学报(自然科学版);2015年04期

8 党宏社;白梅;张娜;;基于ReliefF特征加权和KNN的自然图像分类方法[J];电视技术;2015年19期

9 尹志琼;;最优运动员身体特征的寻优筛选挖掘建模[J];科技通报;2015年07期

10 董露露;张恒;赵姝;张燕平;;多示例学习的示例权重算法[J];合肥学院学报(自然科学版);2015年03期

【二级参考文献】

相关期刊论文 前9条

1 杨庆;陈桂明;童兴民;何庆飞;;增量式局部切空间排列算法在滚动轴承故障诊断中的应用[J];机械工程学报;2012年05期

2 吴虎胜;吕建新;战仁军;吴庐山;;基于EMD和AR奇异值的柴油机故障诊断[J];机械设计与制造;2011年04期

3 鞠萍华;秦树人;赵玲;;基于LMD的能量算子解调方法及其在故障特征信号提取中的应用[J];振动与冲击;2011年02期

4 曾番;;小波包分析与能量算子结合的声目标特征参数[J];探测与控制学报;2010年06期

5 蒋全胜;贾民平;胡建中;许飞云;;基于拉普拉斯特征映射的故障模式识别方法[J];系统仿真学报;2008年20期

6 ;MODIFIED LAPLACIAN EIGENMAP ETHOD FOR FAULT DIAGNOSIS[J];Chinese Journal of Mechanical Engineering;2008年03期

7 雷文平;韩捷;孙俊杰;董辛e，

本文编号：1942527