基于LLTSA算法的轉(zhuǎn)子故障特征數(shù)據(jù)集降維方法研究.pdf

1、隨著旋轉(zhuǎn)機(jī)械向超大型化方向快速發(fā)展，利用運(yùn)行中采集到的機(jī)械振動信號實施設(shè)備的狀態(tài)監(jiān)測與故障診斷，是確保其穩(wěn)定、安全、高效運(yùn)行的主要措施。故障診斷存在著信息量大、知識匱乏的問題，因此如何從故障特征數(shù)據(jù)中篩選出對故障診斷有用的特征數(shù)據(jù)子集，已成為故障診斷研究中亟需盡快解決的問題。傳統(tǒng)的線性降維方法無法對非線性故障特征數(shù)據(jù)做出正確的降維處理，因此非線性故障特征數(shù)據(jù)的降維方法研究已成為當(dāng)前研究的重點。此外，當(dāng)機(jī)械系統(tǒng)需要實施在線狀態(tài)監(jiān)測時，正確

2、判別新增數(shù)據(jù)的類別是保證監(jiān)測結(jié)果正確性的必要前提條件。針對以上兩問題，本研究對局部切空間排列算法(LTSA)進(jìn)行改進(jìn)，并將改進(jìn)后的算法用于解決故障統(tǒng)計特征數(shù)據(jù)集的降維問題。還對通過借助增量LTSA學(xué)習(xí)算法對新增特征數(shù)據(jù)進(jìn)行正確辨識的方法進(jìn)行了探討。開展的具體研究內(nèi)容與得到的研究結(jié)論情況如下:
　　1)針對原始故障數(shù)據(jù)無法直接用于故障分析的問題，研究了常用于故障分析的時域特征，這些特征包括均值、標(biāo)準(zhǔn)差、峰峰值和裕度指標(biāo)等。針對經(jīng)典的

3、線性降維方法不能滿足非線性故障數(shù)據(jù)降維要求的問題，分析比較了幾種常用的流形學(xué)習(xí)算法的特點。分析顯示出，該類方法在處理非線性故障數(shù)據(jù)時，擁有能夠較好地保留數(shù)據(jù)本質(zhì)信息特征的優(yōu)點。
　　2)針對傳統(tǒng)的線性降維方法難以對非線性故障統(tǒng)計特征實施有效降維的問題，將局部切空間排列算法(LTSA)用于非線性故障特征數(shù)據(jù)的降維中。該方法能有效的對非線性數(shù)據(jù)進(jìn)行降維處理。但由于在降維過程中，鄰域k值的選取沒有統(tǒng)一的標(biāo)準(zhǔn)，因此僅憑經(jīng)驗和試驗法無法滿足

4、快速正確處理數(shù)據(jù)的要求。針對此不足，在本問題研究中引入了線性分塊算法。應(yīng)用情況表明:構(gòu)造出的新算法能對非線性數(shù)據(jù)進(jìn)行合理的局部線性分塊，從而可解決LTSA算法鄰域k值選取問題，使得降維結(jié)果得到了良好的改善。
　　3)針對在線監(jiān)測與診斷需要及時正確的分析與處理新增數(shù)據(jù)的問題，采用增量局部切空間排列算法(LTSA)對新增數(shù)據(jù)進(jìn)行處理。設(shè)計出的新方法在利用歷史數(shù)據(jù)信息的同時還能夠?qū)π略鰯?shù)據(jù)進(jìn)行判別分析。本項研究工作對設(shè)備當(dāng)前狀況的分析與