機械故障診斷中的流形學習方法研究.pdf

1、機械故障診斷的方法很多，其實質(zhì)是模式識別和分類問題。機械故障診斷的關鍵技術是信號的特征提取和壓縮。目前常用的線性信號分析方法對于機械設備運行中的非線性信號處理有很大的局限性。流形學習是一種良好的處理非線性高維數(shù)據(jù)的機器學習算法。將流形學習應用到機械故障診斷中，可以較好的解決高維信號特征空間的特征壓縮問題，為故障分類提供良好的依據(jù)。
　　論文在分析幾種流形學習算法在經(jīng)典數(shù)據(jù)中降維效果的基礎上，選擇局部線性嵌入法（LLE）作為研究的重

2、點。針對流形學習在機械故障診斷中應用存在的一些問題，結合機械故障診斷信號處理的特點，提出了基于最佳分類效果的參數(shù)綜合選擇方法，此方法可以將鄰域因子k和嵌入維數(shù)d同時進行最佳選擇。為了準確快速的對新增樣本進行特征壓縮與診斷，提出了基于局部拓撲保持的改進LLE算法，此方法充分利用LLE降維后保留的原始特征空間中的局部拓撲結構信息，避免對所有數(shù)據(jù)重復計算。討論改進LLE算法在機械故障診斷中應用的過程和注意事項，選擇K最近鄰分類器（KNN）作為

3、LLE算法特征壓縮后故障診斷的分類準則。
　　論文將改進的LLE算法應用到齒輪箱故障、柴油機油路故障、柴油機機械故障的診斷中。對齒輪箱和柴油機運轉(zhuǎn)振動信號，采用基于子帶能量的方法構造信號特征空間，子帶數(shù)目通過同種故障類型特征參數(shù)間方差最小擇優(yōu)選擇法確定。對柴油機燃油系統(tǒng)的油壓信號，采用基于油壓波形參數(shù)的方法構造信號特征空間。
　　通過對齒輪箱振動信號、柴油機振動信號、柴油機油壓信號分別進行特征壓縮和故障診斷的結果可以看出：論