基于流形學習特征提取的融合診斷理論與方法研究.pdf

1、特征提取是機械故障診斷的基礎，如何有效的實現(xiàn)故障特征信息獲取是故障診斷領域的研究熱點之一。針對故障監(jiān)測數(shù)據的復雜化、非線性化、高維化等特征，流形學習算法被引入到故障診斷領域以實現(xiàn)信號的非線性特征提取，本文對基于流形學習特征提取的融合故障診斷理論與方法展開研究，相關工作如下:
　　構造一種基于共享近鄰高斯核權值的拉普拉斯映射(SNGLE)算法。在分析LE算法使用歐氏距離帶來的鄰域錯誤覆蓋和樣本相似度量不合理的基礎上，引入共享近鄰距離

2、代替歐氏距離，同時引入高斯核權值方法，通過共享近鄰距離計算鄰接權值矩陣，將樣本點間的相似屬性直接賦值于鄰接權值矩陣中，提高了算法局部鄰域結構保持能力。仿真數(shù)據分析和數(shù)據集分類識別驗證了改進算法的有效性。
　　提出一種基于數(shù)據分布的增量流形學習特征提取方法。針對傳統(tǒng)增量流形學習算法未給出增量學習效果判別標準的不足，提出一種基于神經網絡回溯誤差的增量流形學習判別準則。在分析數(shù)據分布對新增樣本增量流形學習影響的基礎上，根據新增樣本的鄰域

3、分布模式選擇不同的增量流形學習處理，提高了增量流形學習的針對性，仿真數(shù)據分析驗證了該方法的有效性。
　　建立一種基于Bootstrap與D-S證據理論的融合診斷模型。針對單一特征集無法全面描述故障信號的不足，將前述SNGLE算法與基于數(shù)據分布的增量特征提取融入到融合診斷模型中，通過抽取多組訓練子集實現(xiàn)多特征集的決策融合診斷，仿真數(shù)據分類診斷結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用于齒輪箱故障