基于半监督邻域自适应LLTSA算法的故障诊断

发布时间：2018-09-04 14:03

【摘要】：为了有效利用振动信号进行故障诊断,提出了一种基于半监督邻域自适应线性局部切空间排列(SSNALLTSA)算法的故障诊断方法。从多域提取振动信号的混合特征,构建原始高维特征集。利用半监督邻域自适应线性局部切空间排列算法对原始特征集进行维数约简,提取出辨识性较高的敏感特征子集。将得到的低维特征输入SVM分类器进行识别,判断故障类型。液压泵故障诊断实验结果表明,该算法克服了LLTSA无监督和使用全局统一邻域参数的不足,可更有效地寻找数据的低维本质流形,提高了识别准确率,具有一定优势。
[Abstract]:In order to make effective use of vibration signals for fault diagnosis, a fault diagnosis method based on semi-supervised neighborhood adaptive linear local tangent space arrangement (SSNALLTSA) algorithm is proposed. The mixed feature of vibration signal is extracted from multi-domain, and the original high-Viterbi solicitation is constructed. Using the semi-supervised neighborhood adaptive linear local tangent space arrangement algorithm, the dimension reduction of the original feature set is carried out, and the sensitive feature subset with high identification is extracted. The obtained low-dimensional features are input into the SVM classifier to identify the fault types. The experimental results of hydraulic pump fault diagnosis show that the algorithm overcomes the shortcomings of LLTSA without supervision and using the global unified neighborhood parameters, and can more effectively find the low-dimensional essential manifold of data, and improve the recognition accuracy and has certain advantages.
【作者单位】： 军械工程学院火炮工程系;
【基金】：河北省自然科学基金(E2016506003)
【分类号】：TH17

【参考文献】

相关期刊论文 前9条

1 杨望灿;张培林;吴定海;陈彦龙;;基于改进半监督局部保持投影算法的故障诊断[J];中南大学学报(自然科学版);2015年06期

2 李文博;王大轶;刘成瑞;;一类非线性系统的故障可诊断性量化评价方法[J];宇航学报;2015年04期

3 苏祖强;汤宝平;邓蕾;尹爱军;;有监督LLTSA特征约简旋转机械故障诊断[J];仪器仪表学报;2014年08期

4 曾鸣;杨宇;郑近德;程军圣;;基于LCD和KNNCH分类算法的齿轮故障诊断方法[J];中国机械工程;2014年15期

5 苏祖强;汤宝平;姚金宝;;基于敏感特征选择与流形学习维数约简的故障诊断[J];振动与冲击;2014年03期

6 张淑清;孙国秀;李亮;李新新;监雄;;基于LMD近似熵和FCM聚类的机械故障诊断研究[J];仪器仪表学报;2013年03期

7 刘晗;张庆;孟理华;杨凯;徐光华;;基于Parzen窗估计的设备状态综合报警方法[J];振动与冲击;2013年03期

8 杨庆;陈桂明;何庆飞;刘鲭洁;;局部切空间排列算法用于轴承早期故障诊断[J];振动.测试与诊断;2012年05期

9 刘志勇;袁媛;;基于测地距离的半监督增强[J];计算机工程与应用;2011年21期

【共引文献】

相关期刊论文 前10条

1 赵孝礼;赵荣珍;孙业北;何敬举;;基于正则化核最大边界投影维数约简的滚动轴承故障诊断[J];振动与冲击;2017年14期

2 房立清;吕岩;张前图;齐子元;;基于半监督邻域自适应LLTSA算法的故障诊断[J];振动与冲击;2017年13期

3 庄夏;;基于DWT和RNN的无刷直流电动机轴承故障检测方法[J];微特电机;2017年06期

4 姜景升;王华庆;柯燕亮;向伟;;基于LTSA与K-最近邻分类器的故障诊断[J];振动与冲击;2017年11期

5 许凡;方彦军;孔政敏;;基于EEMD的样本熵的滚动轴承AP聚类故障诊断[J];仪表技术与传感器;2017年06期

6 曾旭;慕晓冬;王舒洋;赵典;;基于LMD频域近似熵频谱感知算法研究[J];火力与指挥控制;2017年05期

7 许凡;方彦军;张荣;;基于多尺度样本熵与PCA-FCM的滚动轴承故障诊断[J];青岛科技大学学报(自然科学版);2017年02期

8 李磊;庞海;张前图;;基于半监督LLTSA维数约简的故障诊断[J];机械强度;2017年02期

9 赵荣珍;李坤杰;;基于类内类间判据与遗传算法的故障特征选择方法[J];兰州理工大学学报;2017年02期

10 杨洪柏;张宏利;刘树林;;基于可视化异类特征优选融合的滚动轴承故障诊断[J];计算机应用;2017年04期

【二级参考文献】

相关期刊论文 前10条

1 苏祖强;汤宝平;姚金宝;;基于敏感特征选择与流形学习维数约简的故障诊断[J];振动与冲击;2014年03期

2 张焱;汤宝平;邓蕾;;基于谱聚类初始化非负矩阵分解的机械故障诊断[J];仪器仪表学报;2013年12期

3 姚亚夫;张星;;基于瞬时能量熵和SVM的滚动轴承故障诊断[J];电子测量与仪器学报;2013年10期

4 宋涛;汤宝平;李锋;;基于流形学习和K-最近邻分类器的旋转机械故障诊断方法[J];振动与冲击;2013年05期

5 杨宇;曾鸣;程军圣;;局部特征尺度分解方法及其分量判据研究[J];中国机械工程;2013年02期

6 陶新民;曹盼东;宋少宇;付丹丹;;基于两阶段学习的半监督SVM故障检测方法[J];振动与冲击;2012年23期

7 尹刚;张英堂;李志宁;任国全;范红波;;基于在线半监督学习的故障诊断方法研究[J];振动工程学报;2012年06期

8 杨庆;陈桂明;何庆飞;刘鲭洁;;局部切空间排列算法用于轴承早期故障诊断[J];振动.测试与诊断;2012年05期

9 赵志宏;杨绍普;;基于小波包变换与样本熵的滚动轴承故障诊断[J];振动.测试与诊断;2012年04期

10 李锋;汤宝平;陈法法;;基于线性局部切空间排列维数化简的故障诊断[J];振动与冲击;2012年13期

，

本文编号：2222328