基于流形學(xué)習(xí)特征提取的融合診斷理論與方法研究.pdf

1、特征提取是機(jī)械故障診斷的基礎(chǔ)，如何有效的實(shí)現(xiàn)故障特征信息獲取是故障診斷領(lǐng)域的研究熱點(diǎn)之一。針對(duì)故障監(jiān)測(cè)數(shù)據(jù)的復(fù)雜化、非線性化、高維化等特征，流形學(xué)習(xí)算法被引入到故障診斷領(lǐng)域以實(shí)現(xiàn)信號(hào)的非線性特征提取，本文對(duì)基于流形學(xué)習(xí)特征提取的融合故障診斷理論與方法展開(kāi)研究，相關(guān)工作如下:
　　構(gòu)造一種基于共享近鄰高斯核權(quán)值的拉普拉斯映射(SNGLE)算法。在分析LE算法使用歐氏距離帶來(lái)的鄰域錯(cuò)誤覆蓋和樣本相似度量不合理的基礎(chǔ)上，引入共享近鄰距離

2、代替歐氏距離，同時(shí)引入高斯核權(quán)值方法，通過(guò)共享近鄰距離計(jì)算鄰接權(quán)值矩陣，將樣本點(diǎn)間的相似屬性直接賦值于鄰接權(quán)值矩陣中，提高了算法局部鄰域結(jié)構(gòu)保持能力。仿真數(shù)據(jù)分析和數(shù)據(jù)集分類識(shí)別驗(yàn)證了改進(jìn)算法的有效性。
　　提出一種基于數(shù)據(jù)分布的增量流形學(xué)習(xí)特征提取方法。針對(duì)傳統(tǒng)增量流形學(xué)習(xí)算法未給出增量學(xué)習(xí)效果判別標(biāo)準(zhǔn)的不足，提出一種基于神經(jīng)網(wǎng)絡(luò)回溯誤差的增量流形學(xué)習(xí)判別準(zhǔn)則。在分析數(shù)據(jù)分布對(duì)新增樣本增量流形學(xué)習(xí)影響的基礎(chǔ)上，根據(jù)新增樣本的鄰域

3、分布模式選擇不同的增量流形學(xué)習(xí)處理，提高了增量流形學(xué)習(xí)的針對(duì)性，仿真數(shù)據(jù)分析驗(yàn)證了該方法的有效性。
　　建立一種基于Bootstrap與D-S證據(jù)理論的融合診斷模型。針對(duì)單一特征集無(wú)法全面描述故障信號(hào)的不足，將前述SNGLE算法與基于數(shù)據(jù)分布的增量特征提取融入到融合診斷模型中，通過(guò)抽取多組訓(xùn)練子集實(shí)現(xiàn)多特征集的決策融合診斷，仿真數(shù)據(jù)分類診斷結(jié)果表明所提融合診斷模型的有效性。
　　最后，將上述方法及故障診斷模型應(yīng)用于齒輪箱故障