仪器仪表学报
儀器儀錶學報
의기의표학보
CHINESE JOURNAL OF SCIENTIFIC INSTRUMENT
2013年
1期
215-220
,共6页
流形学习%等距映射%加权K近邻%旋转机械%故障诊断
流形學習%等距映射%加權K近鄰%鏇轉機械%故障診斷
류형학습%등거영사%가권K근린%선전궤계%고장진단
针对旋转机械高维复杂故障特征数据难以快速准确辨识的问题,提出一种基于等距映射非线性流形学习与加权KNN(K-nearest neighbor)分类器相结合的旋转机械故障诊断方法.在由时域统计指标和内禀模态分量能量构造的原始特征空间中,首先利用等距映射非线性流形学习算法提取旋转机械故障状态变化的本质特征,随后将提取的低维本质特征输入给加权KNN进行旋转机械的故障模式辨识.通过对齿轮箱的实验数据分析表明,该方法不仅对高维复杂的非线性故障特征具有良好的降维性能,而且故障识别率较之传统方法也明显提高,能够有效识别出高维特征空间的非线性故障特征.
針對鏇轉機械高維複雜故障特徵數據難以快速準確辨識的問題,提齣一種基于等距映射非線性流形學習與加權KNN(K-nearest neighbor)分類器相結閤的鏇轉機械故障診斷方法.在由時域統計指標和內稟模態分量能量構造的原始特徵空間中,首先利用等距映射非線性流形學習算法提取鏇轉機械故障狀態變化的本質特徵,隨後將提取的低維本質特徵輸入給加權KNN進行鏇轉機械的故障模式辨識.通過對齒輪箱的實驗數據分析錶明,該方法不僅對高維複雜的非線性故障特徵具有良好的降維性能,而且故障識彆率較之傳統方法也明顯提高,能夠有效識彆齣高維特徵空間的非線性故障特徵.
침대선전궤계고유복잡고장특정수거난이쾌속준학변식적문제,제출일충기우등거영사비선성류형학습여가권KNN(K-nearest neighbor)분류기상결합적선전궤계고장진단방법.재유시역통계지표화내품모태분량능량구조적원시특정공간중,수선이용등거영사비선성류형학습산법제취선전궤계고장상태변화적본질특정,수후장제취적저유본질특정수입급가권KNN진행선전궤계적고장모식변식.통과대치륜상적실험수거분석표명,해방법불부대고유복잡적비선성고장특정구유량호적강유성능,이차고장식별솔교지전통방법야명현제고,능구유효식별출고유특정공간적비선성고장특정.
