基于多流形谱聚类的无监督故障识别方法研究

发布时间：2020-07-22 11:14

【摘要】：智能制造的深度发展,使得制造车间的数据呈现了爆炸性的增长。如何挖掘上述数据的价值,为制造车间的运行优化与决策提供服务,已成为当前的研究热点。机器学习是制造数据分析与处理最常用的方法之一。然而,在实际制造系统中难以获取高质量的带标签数据。因此,研究无监督的机器学习方法,以处理海量无标签的制造数据具有广阔的应用前景。谱聚类是一种无监督流形学习方法,能充分挖掘隐藏在高维非线性数据中的本征结构,并根据本征结构将数据分为不同簇。但是,谱聚类假设数据分布于单一流形上,而制造数据往往分布于多个流形上。因此,本文针对多流形分布数据,改进谱聚类算法,并将其应用于故障识别,同时提出了一种对新增样本快速识别故障的方法。本文面向多流形分布数据,提出了一种迭代多流形谱聚类算法。针对多流形分布数据存在交叉、重叠的情况,利用局部切空间相似度构建邻接矩阵,通过迭代优化的方式,让属于不同类别邻近点之间的权重趋近于0,属于同一类别邻近点之间的权重相对较大,从而学习到更加准确的数据结构,提升聚类效果。该算法在五个仿真数据集上进行验证,结果表明,该算法与传统聚类算法和其他谱聚类算法相比,在保持聚类结果的稳定性的同时取得更优的聚类效果。针对制造数据无标签的特性,提出了基于迭代多流形谱聚类算法的无监督故障识别方法。该方法利用时域分析方法,从振动信号提取原始高维特征;运用迭代多流形谱聚类算法,将高维数据映射到低维本征空间,并将数据分为不同簇,同时提取包含各簇故障信息的低维特征;使用局部离群因子分析算法,对低维特征进行分析,识别出正常状态数据;利用低维特征中表征故障类型的故障指标,对不同故障进行识别。将提出的故障识别方法应用到凯斯西储大学轴承数据集上。结果表明,该方法能准确识别正常状态和不同等级故障。针对新增样本,提出了新增样本低维特征的高效求解方法,并基于低维特征对新增样本进行故障识别。利用基于迭代多流形谱聚类算法的无监督故障识别方法,对已知数据进行故障识别,并学习数据的本征结构和故障相关知识;基于Nystr?m公式和数据结构对新增样本低维特征进行估计,并结合低维特征和故障知识,识别新增样本的故障类型。采用凯斯西储大学轴承数据集,对所提的无监督故障识别方法进行验证。结果表明,该方法能快速、准确地识别新增样本的故障。最后,对全文进行了总结,并展望了未来值得进一步研究的方向。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.13;TH17
【图文】：

主要工作,低维,流形,制造数据

类别的数据通常位于不同流形上；（3）流形学习是通过分析数据之间关联关系，学习高维数据的低维流形结构。大多数经典流形学习算法只能学习由高维空间到低维特征空间的隐式映射，对于新增样本，很难快速求解其低维特征。1.3 本文的主要工作与结构1.3.1 本文的主要工作如图 1.1 所示，本文的主要工作有：（1）面向多流形分布数据，提出了一种迭代多流形谱聚类算法（IMMSC）；（2）针对制造数据集的无标签特性，提出了基于 IMMSC 的无监督故障识别方法，并进行实例验证；（3）针对制造数据集的动态更新特性，提出了新增样本条件下基于 IMMSC 的无监督识别方法，并进行实例验证。

图G,图像分割,邻接图,权重

10图 2.1 图像分割割是将图G 分割为互相没有相连的 K 个子图1, X iX 且i jX X ， i , j 1, ,K。之间的权重之和为 ,ijW X X ，其定义如式(2.4)所 ,,i i jji ijx XjX xW X X w 为子图，定义切图 cut 为： 111, , ,2KK i iicut X X W X X iX 的补集。图分割的目的是让子图内权重之和最大(2.5)会导致最小分割问题，如图 2.1 所示，将权重 ,KX ，但并非最优分割。为了避免最小分割，可

示意图,切空间,示意图,重构误差

图 2.3 切空间示意图流形M 上的点，xT M 表示在点处间，v表示点处的切向量，全部切间可由其邻近点确定[51]。假设数据样本点ix 的低维本征特征为di i i ix U c 量，di 为误差，D dU 是由切表示样本点ix 的 k 个邻近点，iT ki 表示点1, ,i ikx x 的重构误差。则Ti i i iN U T ce EiU 和iT 让重构误差iE 最小，如式(2 min minTE N U T ce

【相似文献】