基于LLE算法的转子系统故障特征数据集降维方法研究

发布时间：2017-06-04 23:18

  本文关键词：基于LLE算法的转子系统故障特征数据集降维方法研究，由笔耕文化传播整理发布。

【摘要】：有效的量化特征提取是设备状态监测与故障诊断研究需尽快解决的关键基础问题之一。旋转机械产生的非线性非平稳振动信号使得由信号的统计特征构成的原始高维特征空间亦呈现出一定的非线性,敏感信息被淹没在大量冗余特征中。因此有必要对原始特征空间进行优化,即在提高样本的类别可分性的同时设法降低特征空间维数以降低分类难度。流形学习(Manifold Learning)是一种能够揭示掩盖在复杂数据背后潜在本质结构的数据驱动方法。该方法为基于数据分布内在维数的故障状态划分提供了一条新途径。基于此,本文运用流形学习方法,对转子系统非线性振动信号的特征量化提取问题开展了研究。主要研究工作内容及获得的研究结论如下： 1)在流形学习统一框架下,分析对比线性流形学习方法和非线性流形学习降维方法的基础上,通过理论分析与仿真实验,阐述了基于局部流形学习的LLE法在高维非线性数据集降维的优势。 2)研究了在无先验信息的情况下,基于图论的改进LLE故障数据集降维方法。提出一种Dijkstra-LLE的转子系统故障特征数据集降维方法,有效避免了LLE存在的短路问题。 3)为提高降维效率,提出一种Floyd-LLE的转子系统故障特征数据集降维方法,与Dijkstra-LLE比较,该方法在具有和Dijkstra-LLE降维方法相似的提取敏感判别信息能力的条件下,大大缩短了数据集降维过程的计算时间。 4)为充分利用先验信息,对LLE的有监督降维方法进行了研究。在Floyd-LLE无监督降维方法的基础上,提出一种局部线性判别(Local Linear Discrimination,LLD)算法,用于转子特征数据集降维。在原算法中引入了基于图论的Floyd和最大间距(Maximum Margin Criterion, MMC)准则,使得LLD在保持流形信息的前提下,避免高维空间高曲率数据集短路问题的同时增强了降维后数据的判别信息。 研究表明：在流形学习方法和图论理论指导下,首先将高维数据集变为赋权图的形式,再运用LLE进行降维,可获得较传统方法更精准的判别信息。从而可为非线性转子系统故障数据集降维方法提供一条新途径。
【关键词】：转子系统 降维 局部线性嵌入 局部线性判别
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH165.3
【目录】：

• 目录5-8
• 摘要8-9
• Abstract9-11
• 插图索引11-13
• 附表索引13-14
• 第1章 绪论14-20
• 1.1 选题背景及意义14
• 1.2 机械故障诊断技术及其面临的若干问题概述14-15
• 1.3 流形学习概述15-16
• 1.3.1 同胚15
• 1.3.2 流形的概念15-16
• 1.3.3 流形学习的任务16
• 1.4 流形学习方法及其在故障诊断中的研究进展16-18
• 1.5 主要研究内容与全文结构编排18-20
• 第2章 转子系统故障数据集典型降维方法简介20-28
• 2.1 引言20
• 2.2 典型降维方法简介20-26
• 2.2.1 降维过程描述20
• 2.2.2 线性流形学习方法20-22
• 2.2.2.1 主成分分析(PCA)20-22
• 2.2.2.2 费歇判别分析(FDA)22
• 2.2.3 非线性流形学习方法22-26
• 2.2.3.1 局部线性嵌入算法(LLE)22-24
• 2.2.3.2 局部切空间排列算法(LTSA)24-25
• 2.2.3.3 等距特征映射算法(ISOMAP)25-26
• 2.3 分析与讨论26-27
• 2.4 本章小结27-28
• 第3章 基于LLE的无监督转子系统故障数据集降维方法研究28-41
• 3.1 引言28
• 3.2 图论及其存储表示概述28-30
• 3.2.1 图的基本概念28-29
• 3.2.2 图的存储表示29-30
• 3.3 最短路径算法简介30-31
• 3.3.1 边上非负情形的单源最短路径-Dijkstra算法30-31
• 3.3.2 所有顶点之间的最短路径-Floyd算法31
• 3.4 数据降维算法设计31-32
• 3.5 应用情况分析32-40
• 3.5.1 Double-Swissroll数据集实例降维32-33
• 3.5.2 转子系统故障数据集降维33-36
• 3.5.2.1 原始特征空间的构成33-35
• 3.5.2.2 原始特征空间优化35-36
• 3.5.3 分析与讨论36-40
• 3.6 本章小结40-41
• 第4章 基于LLE的有监督转子系统故障数据集降维方法研究41-53
• 4.1 引言41
• 4.2 基本方法简介41-44
• 4.2.1 邻域保持投影(NPP)法41-42
• 4.2.2 最大间距(MMC)准则42-43
• 4.2.3 概率神经网络计算过程简介43-44
• 4.3 LLD数据降维公式推导44-45
• 4.4 LLD故障特征数据集降维方法设计45-46
• 4.5 LDD故障特征数据集降维与分类46-52
• 4.5.1 转子系统原始故障特征数据集的构建46-48
• 4.5.2 费歇准则下转子系统有效故障特征的选取48-49
• 4.5.3 转子系统故障数据集LDD降维49-51
• 4.5.4 转子系统概率神经网络故障模式识别51-52
• 4.6 分析与讨论52
• 4.7 本章小结52-53
• 第5章 基于Matlab GUI的转子故障诊断系统的实现53-64
• 5.1 引言53
• 5.2 转子故障诊断监测系统的作用概述53-54
• 5.3 Matlab GUI简介54-55
• 5.4 Matlab图形用户界面设计方法55
• 5.4.1 设计原则55
• 5.4.2 设计方法55
• 5.5 基于Matlab GUI的转子故障诊断系统的设计与实现55-63
• 5.5.1 基于Matlab GUI的转子故障诊断系统的功能55-56
• 5.5.1.1 信号分析系统55-56
• 5.5.1.2 特征提取与故障决策56
• 5.5.2 基于Matlab GUI的转子故障诊断系统的实现56-63
• 5.6 本章小结63-64
• 总结与展望64-66
• 全文总结64
• 工作展望64-66
• 参考文献66-72
• 致谢72-73
• 附录A 攻读学位期间所发表的学术论文目录73-74
• 附录B 参加科研项目情况74

【参考文献】

中国期刊全文数据库 前10条

1 李子荣;杜明辉;;基于局部边界鉴别分析的人脸识别[J];电子与信息学报;2009年03期

2 罗磊;李跃华;;基于LLE的分类算法及其在被动毫米波目标识别中的应用[J];电子与信息学报;2010年06期

3 许馨;吴福朝;胡占义;罗阿理;;一种基于非线性降维求正常星系红移的新方法[J];光谱学与光谱分析;2006年01期

4 董冀媛;穆志纯;欧阳定恒;;基于改进的局部切空间排列算法的多姿态人耳识别[J];北京科技大学学报;2010年12期

5 蒋胜利;张军英;许进;;一种线性局部切空间判别分析算法[J];华中科技大学学报(自然科学版);2010年10期

6 曾宪华;罗四维;;动态增殖流形学习算法[J];计算机研究与发展;2007年09期

7 孟德宇;徐宗本;戴明伟;;一种新的有监督流形学习方法[J];计算机研究与发展;2007年12期

8 王耀南;张莹;李春生;;基于核矩阵的Isomap增量学习算法研究[J];计算机研究与发展;2009年09期

9 郑忠龙;畅雪萍;杨杰;;等同邻域投影[J];计算机研究与发展;2010年07期

10 李勇;陈贺新;赵刚;孙中华;陈绵书;;基于可变k近邻LLE数据降维的图像检索方法[J];吉林大学学报(工学版);2008年04期

中国博士学位论文全文数据库 前3条

1 刘永斌;基于非线性信号分析的滚动轴承状态监测诊断研究[D];中国科学技术大学;2011年

2 王广斌;基于流形学习的旋转机械故障诊断方法研究[D];中南大学;2010年

3 尹峻松;流形学习理论与方法研究及在人脸识别中的应用[D];国防科学技术大学;2007年

  本文关键词：基于LLE算法的转子系统故障特征数据集降维方法研究，，由笔耕文化传播整理发布。

本文编号：422408