转子故障诊断中的特征选择问题研究

发布时间：2023-03-25 02:37

　　随着科学技术的飞速发展,机械设备在实际工作中每时每刻都会产生大量数据,然而这些数据中只有部分信息能够为我们所用。因此如何从这些数据中提取出敏感特征,是如今机器学习领域中的研究热点。特征选择算法能够从海量数据中筛选出分类性能较优的特征,为能够得到分类精度高的最优特征子集提供了新的思路。据此,为有效降低故障数据集维度,提取出对分类器敏感的最优特征子集,本文展开对特征选择方法的研究。主要研究内容及结果如下:(1)对特征选择方法的发展状况做了简要介绍,并对几种常见方法进行总结。针对能够提取出有效表征故障信息的最优特征子集问题,提出基于ReliefF算法和粒子群算法(Particle Swarm Optimization,PSO)的混合特征选择算法,在双跨度转子实验台上对所建立的方法性能进行了计算验证,该方法能够得到精简的特征子集,明显改善了故障类型的识别精度。(2)为提高故障数据集的分类精度,提出一种混合ReliefF与量子粒子群优化算法(QuantumParticle Swarm Optimization,QPSO)的特征选择方法。该方法首先利用ReliefF算法对原始故障数据集各特征进行初...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 选题背景及意义
    1.2 故障特征选择研究的国内外发展状况
    1.3 故障特征提取方法简介
        1.3.1 时域特征提取
        1.3.2 频域特征提取
        1.3.3 时频域特征提取
    1.4 主要研究内容与安排
第2章 振动信号故障特征提取的基本原理简介
    2.1 引言
    2.2 流形学习方法简介
        2.2.1 等距映射算法
        2.2.2 海塞局部嵌入算法
        2.2.3 局部保留投影算法
        2.2.4 t分布随机邻域嵌入算法
    2.3 本章小结
第3章 特征选择的基本原理与应用
    3.1 引言
    3.2 特征选择方法的分类
        3.2.1 按照子集获取与搜索准则
        3.2.2 按照子集评价准则
        3.2.3 按照与学习算法的结合方式
    3.3 典型特征选择方法
    3.4 混合ReliefF与PSO算法在故障特征集降维中的应用
    3.5 实验数据与参数设置
    3.6 实验结果与分析
    3.7 本章小结
第4章 基于ReliefF和量子粒子群算法的故障特征选择方法研究
    4.1 引言
    4.2 ReliefF算法简介
    4.3 QPSO算法简介
    4.4 ReliefF-QPSO算法的设计与实现情况
    4.5 实验数据与参数设置
    4.6 实验结果与分析
    4.7 本章小结
第5章 基于EWT-MFE和t-SNE结合的旋转机械故障诊断方法研究
    5.1 引言
    5.2 经验小波变换
    5.3 多尺度模糊熵理论
        5.3.1 模糊熵
        5.3.2 多尺度模糊熵
    5.4 t-SNE原理简介
    5.5 EWT-MFE与tSNE结合的故障诊断方法的设计与实现
    5.6 实验数据与参数设置
    5.7 实验结果与分析
    5.8 本章小结
总结与展望
    全文总结
    研究展望
参考文献
致谢
附录A 攻读学位期间所发表的学术论文目录
附录B 参加科研项目情况



本文编号：3770361