论文部分内容阅读
近年来,随着信息技术的快速发展,如何将信息技术融入旋转机械设备,并利用基于数据驱动的相关理论挖掘出能够实时反映机械状态运行的内在属性的方法成了机械故障诊断发展的必然趋势。流形学习算法作为一种新的能构建出高维空间数据结构的非线性数据处理算法,已成功应用于很多领域,如:数据挖掘,数据模式辨识及分类,故障诊断等。然而,等距映射(Isometric Mapping,ISOMAP)和局部线性嵌入算法(Locally linear embedding,LLE)这两种较为经典的流形学习算法在数据处理的过程中也表现出各自的优点及缺点。故针对此现状,本论文主要将这两种算法的优缺点在核函数的理论基础上进行融合,进而提出了一种新的能够兼顾这两种算法特点的KISOMAPLLE算法。主要的研究成果如下:(1)将两种算法在核框架下进行融合,提出了一种新的KISOMAPLLE算法,并将其成功应用于六大人工数据集。实验结果表明,该算法在人工数据集中能够成功实现降维外,而且具有对邻域的选择及噪声的敏感性较弱、鲁棒性较强的特点。(2)将KISOMAPLLE算法与其他7种算法应用于原始转子故障特征集,并进行数据降维及比较分析。实验结果显示,本文算法相较于其他几种算法有较高的故障模式辨识准确率。(3)对该算法和其他几种算法在转子故障数据集中随邻域变化关系进行了相关研究。实验结果表明,本文算法相较于其他几种算法对邻域选择敏感性较弱,与其在人工数据集实验结果有相同的结论,继而验证了该算法对解决实际问题有一定的有效性及可行性。(4)将支持向量机(SVM)用粒子群算法进行优化,进行了分类器对实验结果的影响问题的相关实验及研究,并对8种算法的降维结果分别应用SVM及PSO-SVM进行了准确率比较分析。实验结果表明分类器对故障识别率有一定程度的影响,但对于本文算法影响较小。从而证明了本文提出的算法有对分类器的选择依赖性较弱,泛化能力较强等特点。