转子故障数据降维的流形学习方法研究

发布时间：2017-04-12 07:11

  本文关键词：转子故障数据降维的流形学习方法研究，由笔耕文化传播整理发布。

【摘要】：近年来,随着信息技术的快速发展,如何将信息技术融入旋转机械设备,并利用基于数据驱动的相关理论挖掘出能够实时反映机械状态运行的内在属性的方法成了机械故障诊断发展的必然趋势。流形学习算法作为一种新的能构建出高维空间数据结构的非线性数据处理算法,已成功应用于很多领域,如:数据挖掘,数据模式辨识及分类,故障诊断等。然而,等距映射(Isometric Mapping,ISOMAP)和局部线性嵌入算法(Locally linear embedding,LLE)这两种较为经典的流形学习算法在数据处理的过程中也表现出各自的优点及缺点。故针对此现状,本论文主要将这两种算法的优缺点在核函数的理论基础上进行融合,进而提出了一种新的能够兼顾这两种算法特点的KISOMAPLLE算法。主要的研究成果如下:(1)将两种算法在核框架下进行融合,提出了一种新的KISOMAPLLE算法,并将其成功应用于六大人工数据集。实验结果表明,该算法在人工数据集中能够成功实现降维外,而且具有对邻域的选择及噪声的敏感性较弱、鲁棒性较强的特点。(2)将KISOMAPLLE算法与其他7种算法应用于原始转子故障特征集,并进行数据降维及比较分析。实验结果显示,本文算法相较于其他几种算法有较高的故障模式辨识准确率。(3)对该算法和其他几种算法在转子故障数据集中随邻域变化关系进行了相关研究。实验结果表明,本文算法相较于其他几种算法对邻域选择敏感性较弱,与其在人工数据集实验结果有相同的结论,继而验证了该算法对解决实际问题有一定的有效性及可行性。(4)将支持向量机(SVM)用粒子群算法进行优化,进行了分类器对实验结果的影响问题的相关实验及研究,并对8种算法的降维结果分别应用SVM及PSO-SVM进行了准确率比较分析。实验结果表明分类器对故障识别率有一定程度的影响,但对于本文算法影响较小。从而证明了本文提出的算法有对分类器的选择依赖性较弱,泛化能力较强等特点。
【关键词】：数据降维 流形学习算法 人工智能 故障模式辨识
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH17;TP18
【目录】：

• 摘要7-8
• Abstract8-12
• 第1章 绪论12-18
• 1.1 课题的研究背景及意义12-13
• 1.2 国类外研究现状分析13-16
• 1.3 本研究的主要内容及安排16-18
• 第2章 转子运行状态类型简介及故障特征集构造18-28
• 2.1 引言18
• 2.2 转子试验台简介18-19
• 2.3 转子典型运行状态类型简介19-23
• 2.3.1 转子不对中19-20
• 2.3.2 转子不平衡20
• 2.3.3 松动20-22
• 2.3.4 碰摩22-23
• 2.3.5 正常23
• 2.4 故障信号的统计特征提取方法归纳23-27
• 2.4.1 信号的时域统计量分析23-25
• 2.4.2 信号的频域统计量分析25
• 2.4.3 信号的时频域统计量分析25-27
• 2.5 本章小结27-28
• 第3章 流形学习算法的数学原理分析28-36
• 3.1 引言28
• 3.2 流形学习算法的概念28-29
• 3.2.1 流形的概念28-29
• 3.2.2 流形学习算法的物理含义分析29
• 3.3 典型流形学习算法的原理29-35
• 3.3.1 等距映射算法（ISOMAP）29-31
• 3.3.2 局部线性嵌入算法（LLE）31-32
• 3.3.3 拉普拉斯特征映射算法（LEIGS）32-34
• 3.3.4 Hessian特征映射算法（HLLE）34-35
• 3.4 本章小结35-36
• 第4章 KISOMAPLLE算法在人工数据集的应用方法探讨36-50
• 4.1 引言36
• 4.2 核函数的概念36-37
• 4.3 核函数的性质37
• 4.4 核函数在ISOMAP算法和LLE算法中的应用37-39
• 4.4.1 KISOMAP算法简介37-38
• 4.4.2 KLLE算法简介38-39
• 4.5 基于核函数的ISOMAP算法与LLE算法的融合方法设计39-40
• 4.6 KISOMAPLLE算法在人工数据集中的应用结果情况40-48
• 4.6.1 六种算法的降维结果比较40-44
• 4.6.2 邻域值对算法的影响分析44
• 4.6.3 噪声对算法的影响分析44-48
• 4.7 本章小结48-50
• 第5章 KISOMAPLLE在转子故障诊断中的应用50-56
• 5.1 引言50
• 5.2 类间可分性指标的概念50-51
• 5.3 原始故障特征数据集的二次特征筛选51
• 5.4 几种算法在转子故障数据集中的应用情况与分析51-52
• 5.5 数据实验情况分析52-55
• 5.6 本章小结55-56
• 总结与展望56-58
• 主要结论56-57
• 研究展望57-58
• 参考文献58-63
• 致谢63-64
• 附录A 攻读学位期间所发表的学术论文目录64-65
• 附录B 参加科研项目情况65

【参考文献】

中国期刊全文数据库 前10条

1 宋涛;汤宝平;邓蕾;;动态增殖流形学习算法在机械故障诊断中的应用[J];振动与冲击;2014年23期

2 方巍;郑玉;徐江;;大数据:概念、技术及应用研究综述[J];南京信息工程大学学报(自然科学版);2014年05期

3 屈太国;蔡自兴;;一种快速的Isomap算法[J];信息与控制;2014年04期

4 张恒;赵荣珍;;故障特征选择与特征信息融合的加权KPCA方法研究[J];振动与冲击;2014年09期

5 王典洪;甘胜丰;张伟民;雷维新;;基于监督双限制连接Isomap算法的带钢表面缺陷图像分类方法[J];自动化学报;2014年05期

6 石坤举;赵荣珍;;转子系统故障数据集D-LLE降维方法研究[J];机械科学与技术;2014年04期

7 刘智慧;张泉灵;;大数据技术研究综述[J];浙江大学学报(工学版);2014年06期

8 柴敏;杨悦;徐小辉;王敏;杨小燕;;面向故障诊断的航天器遥测数据降维分析技术[J];弹箭与制导学报;2014年01期

9 邵超;万春红;;基于等距映射的监督多流形学习算法[J];模式识别与人工智能;2014年02期

10 谈超;关佶红;周水庚;;基于等角映射的多样本增量流形学习算法[J];模式识别与人工智能;2014年02期

中国博士学位论文全文数据库 前4条

1 江俊君;基于一致流形学习的人脸超分辨率算法研究[D];武汉大学;2014年

2 张绍辉;基于流形学习的机械状态识别方法研究[D];华南理工大学;2014年

3 雷迎科;流形学习算法及其应用研究[D];中国科学技术大学;2011年

4 李宁;粒子群优化算法的理论分析与应用研究[D];华中科技大学;2006年

中国硕士学位论文全文数据库 前10条

1 周达丽;局部线性嵌入算法的研究及在人脸识别中的应用[D];武汉理工大学;2013年

2 王会岩;基于Curvelet变换和改进Isomap算法的人耳识别[D];重庆大学;2013年

3 张恒;基于数据驱动的转子故障特征信息建模方法研究[D];兰州理工大学;2013年

4 王善鹏;基于流形学习的滚动轴承故障特征提取方法研究[D];大连理工大学;2013年

5 高翠珍;流形学习的邻域选择和增量算法研究[D];山西大学;2012年

6 尹焕;基于ISOMAP的机械故障诊断方法研究与应用[D];华南理工大学;2012年

7 薛广鑫;基于流形学习的汽轮机振动故障诊断方法研究[D];东北电力大学;2012年

8 刘永凯;基于流形学习的汽轮机转子振动故障诊断[D];华北电力大学;2012年

9 刘琰;支持向量机核函数的研究[D];西安电子科技大学;2012年

10 徐龙柱;流形学习中非线性降维方法的研究及在烟草数据中的应用[D];中国海洋大学;2011年

  本文关键词：转子故障数据降维的流形学习方法研究，由笔耕文化传播整理发布。

，

本文编号：300961