基于伪标签半监督核局部Fisher判别分析轴承故障诊断
发布时间：2021-07-29 11:46
针对轴承故障诊断应用中多特征融合导致的维度高、相关性强、信息冗余等问题,提出一种基于伪标签半监督核局部Fisher判别分析（Semi-supervised Kernel Local Fisher Discriminant Analysis, SS-KLFDA）轴承故障诊断方法。为了能利用大量无标签样本提高算法判别性能,该方法首先采用密度峰值聚类算法对样本进行聚类分析得到伪标签,然后通过增加规范化项到局部FDA算法的类内散度矩阵和类间散度矩阵中,以此保持无标签样本的聚类结构一致性,最后通过局部FDA算法来保持有标签样本类间散度最大化和类内散度最小化并求解最佳投影向量;为了能适应非线性数据降维,进一步给出了基于核的伪标签半监督局部Fisher判别算法。试验部分通过同其他流行降维算法在不同维度、不同特征集合以及不同分类算法条件下进行轴承故障诊断性能对比,结果表明基于伪标签半监督核局部Fisher判别分析方法的分类精度明显优于其他降维算法,投影后的系数向量具有更好的区分能力,使故障诊断性能得到了很大提升。
【文章来源】：振动与冲击. 2020,39(17)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
四种工况下的时域振动信号
为了验证本文提出的半监督核局部Fisher判别分析算法的降维性能,试验中取四种工况的类别样本各50个构成整体数据集合进行降维,其中设置每个类别有标签样本个数为20个,未标签样本个数为30个。并与SKMFA、SFDA和KSFDA三个半监督降维算法进行比较。对于SKMFA算法,采用5次交叉验证选取最优K近邻(K-Nearest Neighbor,KNN)图的紧邻参数为k=7。设置KSFDA算法核参数为高斯核,核宽度通过5次交叉验证选取为σ=1.2。对于本文算法,KNN图紧邻参数和高斯核宽度采用5次交叉验证和网格搜索法选取为k=7和σ=1.2,截断距离选择使每个数据点的平均距离个数为数据点总数2%的距离大小。试验中统一将规范化折中参数统一设置为0.5,降维维度设置为r=3。所有样本经各种算法优化后得到的投影向量降维后的前三维特征两两组合后分别显示在图2中。从图2可知,SKMFA和SFDA算法虽然能利用无标签样本指导有监督降维空间的学习,但得到的降维特征不能实现无标签样本的有效区分。KSFDA通过采用核半监督降维方法,较好地实现部分无标签样本的有效区分,但未能考虑到聚类分布信息导致部分无标签样本无法正确归类。不同于上述方法,本文提出的半监督核局部Fisher判别算法得到的降维数据具有明显的区分性,不仅同一类有标签样本聚集在一起,而且不同类别的无标签样本间也实现了有效分离。这是由于本文算法充分考虑了无标签样本的聚类分布特征使降维后特征更有利于不同类别样本间的有效区分。为了能量化地比较本文提出的基于SS-KLFDA算法轴承故障诊断方法的性能,我们采取四种工况的类别样本各1 000个构成整体数据集合进行试验。其中选取每个类别样本集合中的500样本组合为训练样本集合,剩余的500个样本组合为测试样本集合。将本文算法同其他3个降维算法进行对比分析,参数设置方法同上。为了方便比较,试验中选取最近邻分类器作为基分类器并采用正确分类率(Correct Classification Rate, CCR)作为性能评价指标,试验过程中为了消除随机影响,我们对每个类别的样本随机选择200个作为有标签样本,剩下的300作为无标签样本,每个算法独立运行30次统计它们的平均分类正确率,试验结果如表1所示。
从试验结果可知,本文提出的基于SS-KLFDA降维算法的故障诊断方法在不同特征组合情况下分类性能均优于其他降维算法,这也表明本文算法的降维特征不仅能最大程度地保持有标签样本的类间区分信息,还兼顾了无标签样本彼此间的局部聚类结构一致性,使得投影后的系数向量在不同特征组合下均具有很好的区分能力。6.4 不同降维维度及标签样本个数下故障诊断精度对比分
【参考文献】：
期刊论文
[1]迭代广义解调齿轮信号分离的变转速滚动轴承故障诊断[J]. 李红贤,汤宝平,韩延,邓蕾. 振动与冲击. 2018(23)
[2]基于SVDI的变工况旋转机械故障诊断方法[J]. 宋涛,王瑜琳,赵明富,钟年丙. 振动与冲击. 2018(19)
[3]基于同步挤压小波变换的振动信号自适应降噪方法[J]. 沈微,陶新民,高珊,常瑞,王若彤. 振动与冲击. 2018(14)
[4]基于集合经验模式分解的汽油机爆震特征提取[J]. 李宁,杨建国,周瑞. 机械工程学报. 2015(02)
本文编号：3309264
【文章来源】：振动与冲击. 2020,39(17)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
四种工况下的时域振动信号
为了验证本文提出的半监督核局部Fisher判别分析算法的降维性能,试验中取四种工况的类别样本各50个构成整体数据集合进行降维,其中设置每个类别有标签样本个数为20个,未标签样本个数为30个。并与SKMFA、SFDA和KSFDA三个半监督降维算法进行比较。对于SKMFA算法,采用5次交叉验证选取最优K近邻(K-Nearest Neighbor,KNN)图的紧邻参数为k=7。设置KSFDA算法核参数为高斯核,核宽度通过5次交叉验证选取为σ=1.2。对于本文算法,KNN图紧邻参数和高斯核宽度采用5次交叉验证和网格搜索法选取为k=7和σ=1.2,截断距离选择使每个数据点的平均距离个数为数据点总数2%的距离大小。试验中统一将规范化折中参数统一设置为0.5,降维维度设置为r=3。所有样本经各种算法优化后得到的投影向量降维后的前三维特征两两组合后分别显示在图2中。从图2可知,SKMFA和SFDA算法虽然能利用无标签样本指导有监督降维空间的学习,但得到的降维特征不能实现无标签样本的有效区分。KSFDA通过采用核半监督降维方法,较好地实现部分无标签样本的有效区分,但未能考虑到聚类分布信息导致部分无标签样本无法正确归类。不同于上述方法,本文提出的半监督核局部Fisher判别算法得到的降维数据具有明显的区分性,不仅同一类有标签样本聚集在一起,而且不同类别的无标签样本间也实现了有效分离。这是由于本文算法充分考虑了无标签样本的聚类分布特征使降维后特征更有利于不同类别样本间的有效区分。为了能量化地比较本文提出的基于SS-KLFDA算法轴承故障诊断方法的性能,我们采取四种工况的类别样本各1 000个构成整体数据集合进行试验。其中选取每个类别样本集合中的500样本组合为训练样本集合,剩余的500个样本组合为测试样本集合。将本文算法同其他3个降维算法进行对比分析,参数设置方法同上。为了方便比较,试验中选取最近邻分类器作为基分类器并采用正确分类率(Correct Classification Rate, CCR)作为性能评价指标,试验过程中为了消除随机影响,我们对每个类别的样本随机选择200个作为有标签样本,剩下的300作为无标签样本,每个算法独立运行30次统计它们的平均分类正确率,试验结果如表1所示。
从试验结果可知,本文提出的基于SS-KLFDA降维算法的故障诊断方法在不同特征组合情况下分类性能均优于其他降维算法,这也表明本文算法的降维特征不仅能最大程度地保持有标签样本的类间区分信息,还兼顾了无标签样本彼此间的局部聚类结构一致性,使得投影后的系数向量在不同特征组合下均具有很好的区分能力。6.4 不同降维维度及标签样本个数下故障诊断精度对比分
【参考文献】：
期刊论文
[1]迭代广义解调齿轮信号分离的变转速滚动轴承故障诊断[J]. 李红贤,汤宝平,韩延,邓蕾. 振动与冲击. 2018(23)
[2]基于SVDI的变工况旋转机械故障诊断方法[J]. 宋涛,王瑜琳,赵明富,钟年丙. 振动与冲击. 2018(19)
[3]基于同步挤压小波变换的振动信号自适应降噪方法[J]. 沈微,陶新民,高珊,常瑞,王若彤. 振动与冲击. 2018(14)
[4]基于集合经验模式分解的汽油机爆震特征提取[J]. 李宁,杨建国,周瑞. 机械工程学报. 2015(02)
本文编号：3309264
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3309264.html
