基于流形學習與一類分類的故障診斷方法及其應(yīng)用研究.pdf

1、隨著機械設(shè)備大型化、自動化發(fā)展，設(shè)備環(huán)節(jié)之間的關(guān)聯(lián)也越來越緊密，零部件的故障往往造成鏈式反應(yīng)，導致整個設(shè)備受損，從而造成巨大的經(jīng)濟損失?，F(xiàn)代機械設(shè)備的結(jié)構(gòu)復(fù)雜、影響因素多變、表現(xiàn)行為多態(tài)，往往很難精確診斷故障發(fā)生的原因以及評估設(shè)備的運行狀態(tài)。因此及時有效地診斷故障發(fā)生的原因和位置，分析故障發(fā)生的規(guī)律和起因，預(yù)防或避免故障造成重大損失，有著重要的意義。而如何從采集的復(fù)雜高維非線性數(shù)據(jù)中有效地提取故障的特征信息，根據(jù)特征信息進行智能識別和分

2、析，是提高故障檢測和診斷正確性的關(guān)鍵。本文研究了基于流形學習與球結(jié)構(gòu)一類分類算法相結(jié)合的故障診斷方法，并進行了轉(zhuǎn)子和滾動軸承故障診斷實驗研究，主要工作如下：
　　一、分別在特征提取和模式分類兩個角度綜述了機械故障診斷的研究現(xiàn)狀和發(fā)展概況。分析了流形學習方法在提取高維非線性故障數(shù)據(jù)的本質(zhì)結(jié)構(gòu)特征方面的優(yōu)勢，以及只需要一類樣本就可以實現(xiàn)機器學習的一類分類算法的特點。表明了本文基于流形學習和一類分類的故障診斷的研究意義。
　　二、

3、深入分析了流形學習方法中的拉普拉斯特征映射算法，考慮到該算法中鄰域因子k以及嵌入維數(shù)d的選擇對正確提取低維流形特征的結(jié)果有很大影響，通過引入網(wǎng)格搜索法結(jié)合Silhouette指標來定量評價LE降維的質(zhì)量，提取最優(yōu)參數(shù)使得降維效果最有效地逼近原始數(shù)據(jù)的拓撲結(jié)構(gòu)，提高了算法的性能。
　　三、研究了一類分類算法的相關(guān)理論以及通過網(wǎng)格搜索法結(jié)合交叉驗證的方式對相關(guān)參數(shù)實現(xiàn)尋優(yōu)。并且研究了如何將一類分類算法應(yīng)用于多類識別，本質(zhì)上是對同一類樣