全局與局部特征信息融合的旋轉(zhuǎn)機(jī)械故障數(shù)據(jù)集降維方法研究.pdf

1、1故障診斷是保障機(jī)械設(shè)備安全運(yùn)行的有效手段之一。為獲取更加準(zhǔn)確、有效的診斷結(jié)果，就需提取出有價(jià)值的設(shè)備信息。因此，如何有效地挖掘出真實(shí)反映故障信息的數(shù)據(jù)已成為當(dāng)今故障診斷的研究熱點(diǎn)。眾所周知，機(jī)械故障診斷一般被分為三步:信號(hào)采集與處理,故障的特征表達(dá)與模式識(shí)別。數(shù)據(jù)降維又是特征表達(dá)中的關(guān)鍵一步，它可減輕后續(xù)故障模式識(shí)別的壓力，提取出本質(zhì)的故障信息。
　　研究表明，數(shù)據(jù)的全局與局部信息對(duì)于降維與分類都是有益的。從信息提取的角度出發(fā)，

2、傳統(tǒng)的降維算法如PCA、LDA、LPP等，大多是從單一的全局或局部信息角度出發(fā)，并不能兼顧全局與局部信息的提取，導(dǎo)致降維與分類效果不佳。針對(duì)上述問(wèn)題，為了使得故障信息保持的更加完善與故障診斷效果更高，本文全局與局部兼顧提取的故障特征集降維工作主要包含以下內(nèi)容：
　　1）從數(shù)據(jù)的保持結(jié)構(gòu)角度出發(fā)，在對(duì)比分析了全局?jǐn)?shù)據(jù)降維方法和局部數(shù)據(jù)降維方法的基礎(chǔ)上，闡述了全局與局部信息對(duì)數(shù)據(jù)降維的重要性。
　　2）當(dāng)訓(xùn)練樣本不足時(shí)，局部信息

3、比全局信息更為重要。為此，提出一種正則化核最大邊界投影（Regularized Kernel Maximum Margin Projection,RKMMP）局部信息的滾動(dòng)軸承故障數(shù)據(jù)集維數(shù)約簡(jiǎn)方法。該方法首先利用RKMMP對(duì)故障樣本集進(jìn)行降維，然后將降維后的低維敏感特征子集輸入到核極限學(xué)習(xí)機(jī)分類器中進(jìn)行故障識(shí)別。滾動(dòng)軸承故障模擬實(shí)驗(yàn)表明：該方法在一定程度上能提升故障診斷的泛化能力與識(shí)別精度。
　　3）針對(duì)傳統(tǒng)數(shù)據(jù)降維方法無(wú)法兼顧

4、保持全局特征信息與局部判別信息的問(wèn)題，提出一種全新的核主元分析（KPCA）和正交化局部敏感判別分析(OLSDA)相結(jié)合的轉(zhuǎn)子故障數(shù)據(jù)降維方法。該方法首先利用KPCA算法最大程度地保留原始數(shù)據(jù)全局非線性信息的作用；然后利用OLSDA算法充分挖掘出數(shù)據(jù)的局部流形結(jié)構(gòu)信息。轉(zhuǎn)子實(shí)驗(yàn)表明：該方法能夠全面地提取出全局與局部判別信息，使故障分類更清晰、相應(yīng)地識(shí)別準(zhǔn)確率得到了明顯提升。
　　4）降維的目的是為了保持更全面的故障信息，使故障診斷結(jié)

5、果更精確。但KPCA-OLSDA聯(lián)合降維的方法在一定程度上增加了算法的復(fù)雜度，為盡可能多地保持?jǐn)?shù)據(jù)的內(nèi)在全局與局部信息，提出了一種全局與局部的局部敏感判別分析(Global and Local Locality Sensitive Discriminant Analysis,GLLSDA)維數(shù)約簡(jiǎn)的故障診斷方法。首先，方法從振動(dòng)信號(hào)中提取出多域、多通道的統(tǒng)計(jì)特征參數(shù)，構(gòu)建高維故障特征數(shù)據(jù)集；然后，利用所提的GLLSDA對(duì)故障數(shù)據(jù)集進(jìn)行維