基于标准正交判别投影的转子故障数据集降维方法

发布时间：2020-11-20 17:22

　　 针对旋转机械智能决策技术的故障数据分类问题,提出一种基于标准正交判别投影(SODP)的转子故障数据集降维算法。该方法从时域、频域及时频域构造原始故障特征集,将振动信号转化为高维特征数据集;运用SODP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KNN分类器中进行故障模式辨识。用一个双跨度转子系统的振动信号集合进行验证,证明了该方法能够有效地提取出全局与局部判别信息,使故障类别之间的差异性变得更清晰,相应地提高了故障模式识别准确率。研究表明该算法可为实际转子智能故障诊断提供参考。
【部分图文】：

故障诊断流程图

为了测试加权参数α对故障识别的影响,设定间隔为0.1,α从0开始,直到α达到1。不同加权参数α的故障识别率如图3所示。从图3可知,不同的加权参数α对应的故障识别率有所不同。α=0.7时,整体识别率最大,达到100%;在α=0.8以后出现明显的下降。3.2 降维结果的可视化与故障辨识

从图4可知,前三个主元在三维图的描述下,LPP、LDA、MFA、UDP的降维效果都不好,SODP的降维效果最好,相比于ODP具有较大的类间距离、较小的类内距离。在LPP、LDA、MFA中质量不平衡故障、动静碰磨、正常之间存在较大的耦合,在UDP中只有质量不平衡故障和正常之间存在耦合。3.3 降维效果衡量指标及KNN分类识别率
【相似文献】

相关期刊论文 前10条

1 赵荣珍;赵孝礼;何敬举;刘韵佳;;相关流形距离在转子故障数据集分类中的应用方法[J];振动与冲击;2017年18期

2 袁德强;赵荣珍;;基于LLTSA的转子故障数据集降维方法[J];噪声与振动控制;2014年05期

3 陈鹏飞;赵荣珍;彭斌;李坤杰;;等距映射和局部线性嵌入算法集成的转子故障数据集降维方法[J];振动与冲击;2017年06期

4 王冠超;赵荣珍;张维强;;基于一种流形学习新算法的转子故障数据集降维研究[J];机械设计与制造;2015年09期

5 胡常安;袁德强;王彭;杜文波;;增量LTSA算法在转子故障数据集降维中的应用[J];噪声与振动控制;2015年01期

6 朱宗元;我国热作模具钢性能数据集(续Ⅰ)[J];机械工程材料;2001年02期

7 朱宗元;我国热作模具钢性能数据集(续ⅩⅢ)[J];机械工程材料;2002年03期

8 朱宗元;我国热作模具钢性能数据集(续Ⅴ)[J];机械工程材料;2001年06期

9 朱宗元;我国热作模具钢性能数据集(续Ⅷ)[J];机械工程材料;2001年09期

10 朱宗元;我国热作模具钢性能数据集(续Ⅱ)[J];机械工程材料;2001年03期

相关硕士学位论文 前10条

1 刘韵佳;基于Schur-ONPE的转子故障数据集降维方法研究[D];兰州理工大学;2017年

2 石明宽;转子故障数据集降维与分类方法研究[D];兰州理工大学;2020年

3 石坤举;基于LLE算法的转子系统故障特征数据集降维方法研究[D];兰州理工大学;2013年

4 马再超;转子故障数据分类方法研究与实验台测试信息系统开发[D];兰州理工大学;2012年

5 袁德强;基于LLTSA算法的转子故障特征数据集降维方法研究[D];兰州理工大学;2014年

6 曾帅;基于深度学习的零件识别系统设计与研究[D];上海师范大学;2020年

7 赵孝礼;全局与局部特征信息融合的旋转机械故障数据集降维方法研究[D];兰州理工大学;2017年

8 张亚龙;转子故障数据集的特征选择方法研究[D];兰州理工大学;2016年

9 孙业北;转子故障数据集的聚类分析方法研究[D];兰州理工大学;2017年

10 罗辉;基于深度学习的智能饮料售卖机商品识别[D];电子科技大学;2020年

本文编号：2891745