基于半监督降维的旋转机械故障数据分类方法研究

发布时间：2020-07-13 15:46

【摘要】：基于机械设备进行的过程监测和故障诊断分析,对有效控制机械设备故障的发展和保障机械设备的安全稳定运行具有重要的意义。利用设备的监测振动信号进行故障诊断是一种广泛应用的方法,但由于旋转机械自身复杂的结构和运行环境,使得振动信号往往含有强烈的背景噪声和干扰信号,因此,如何获取反映故障的有效信息成为了关键。数据降维可以剔除原始数据中冗余和不相关信息,寻找出反映故障本质的有效数据。在实际应用中,基于振动信号多域构造的故障特征集往往维度过高且有类标样本不足,使用传统的降维方法,可能得不到理想的降维效果与分类精度。为了能充分利用现有无标记数据中的故障信息,解决有监督降维泛化能力不强、无监督学习模型不精确以及获得更高的故障诊断精度,本文对基于半监督降维方法的故障数据集分类进行了研究。本文的主要工作内容如下:(1)针对呈现出非线性的高维数据集故障类型识别率低和有标记故障样本较少的问题,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(Kernerl Semi-supervised Local Fisher Discriminant Analysis,KSELF)维数约简的故障诊断方法。该方法首先将原始故障数据集通过RBF型核函数映射到高维特征空间中,并利用SELF算法计算出最优的投影转换矩阵;然后基于KNN分类器对降维得到的低维特征进行训练学习,识别出故障的类型。所提出的KSELF方法能够充分利用部分类标样本和大量无类标样本中的信息,避免了LFDA算法在降维过程中因类标样本不足引起的过学习问题,同时有效地捕捉了数据中的非线性信息。最后用双跨度转子实验台进行的故障模拟实验验证了所提方法的有效性。(2)在对高维非线性数据进行维数约简时,为了保持数据的全局和局部结构及利用样本类标的先验信息,提出基于KPCA-SSLPP数据降维的故障诊断方法。该方法首先基于时域、频域和时频域分析从原始振动信号提取相应的故障特征,组建一个高维特征集;然后对高维特征集应用KPCA得到主要特征,降低特征间的相关性并最大化保持特征集中的全局非线性结构;最后使用SSLPP算法挖掘出低维局部本质特征,并将得到的低维特征向量输入到LSSVM中进行故障类型识别。利用离心泵实验台进行的故障模拟实验验证其有效性,结果表明:所提方法与实验中的其它降维方法相比,具有更好的降维效果,在少量标记样本条件下,能获得更高的故障诊断精度。(3)基于LabVIEW平台,设计了一套应用于离心泵实验台的振动测试系统。该系统实现了离心泵运行状态监测、数据的采集、处理和存储以及时域、频域、轴心轨迹的图谱显示,通过在系统中嵌入降维算法实现了故障类别的辨识。
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH17
【图文】：

流程图,转子实验台

图 3-2 基于 KSELF 的故障诊断流程图结果分析数据节 3.4.3 所提方法的性能，本节采用来自于如图 3-3 所示的双台的实验数据来进行验证。设置实验台采样频率为 5000H用 12 个电涡流传感器分别采集该转子实验台轴系不对中、轴静碰磨和正常转动 5 种状态的振动信号各 80 组，选取其中的中 60%为有标签样本)，30 组作为测试样本。基于时域、频域信号的故障特征参数，构造出 12 个通道的特征集合，如表 3252 个特征，即 252 维高维数据集。输入到KNN进行故障辨识故障类型

效果图,降维,测试样本,效果

3.6.2 实验结果基于 KSELF 方法对高维故障特征集进行训练学习与维数约简。为表现一般性，权衡参数采用折中取值 β=0.5；设定 KSELF 中样本点邻域大小 k=7[58]，低维子空间的维数 d=4（目标维数=故障类别数-1）。将得到的降维结果输入到 KNN 分类器中训练学习并进行故障辨识。所提方法的有效性通过以下几个方面来进行验证。(1) 降维可视化对比。用 PCA、KPCA、LFDA、KLFDA、SELF 算法的降维效果和 KSELF 算法进行对比验证，得到的降维可视化结果对比如图 3-4 所示。本章选用五折交叉验证法获取最优核参数，得到 KPCA、KLFDA、KSELF 的核参数分别为 =75.6, 62.5, 20.5。(a) PCA (b) KPCA (c) LFDA

训练样本,降维,比例,无监督

DFF1110.951110.9810.900.9710.9211 中可以看出：1) 监督降维方法 LFDA、KLFDA、SELF、高于无监督降维方法 PCA、KPCA，这是因为监督降维方标签信息，获取有效的低维本征特征，而无监督降维方法导作用来进行维数约简，容易忽视大量有用的信息，使得督降维方法 SELF、KSELF 的识别率高于 PCA 和 LFDA，这承了 PCA 和 LFDA 两种算法的优势，同时充分利用了标用信息；3) 引入核方法的降维算法利用核映射将特征集问题，能够有效去除数据特征中的噪声与冗余信息，得到验证 KSELF 方法在数据降维问题中的优越性，选用不同(测试样本中 60%是标记样本)，将各降维方法降维后的低进行故障辨识，得出不同训练样本比例下的降维结果在率情况，如图 3-5 所示。

【相似文献】