基于特征空間鄰域結構分析的故障識別方法.pdf

1、故障診斷對于提高設備運行的可靠性起著至關重要的作用。故障診斷系統(tǒng)要求能夠快速有效的判斷故障位置、類型、性質以及嚴重性等，并要求具有實時性、在線更新以及準確性?；谥R發(fā)現(xiàn)的方法是故障診斷方法中最有效的方法之一。目前的故障識別模塊在穩(wěn)定性以及準確度方面還難以滿足應用要求，本文從故障特征子空間的探索與利用角度出發(fā)，在鄰域?；髮ふ冶３衷继卣骺臻g近似能力的多個屬性約簡，然后通過優(yōu)化方法融合不同約簡的信息，以提高故障識別的泛化性能與穩(wěn)定性。從

2、以下幾方面進行了探索：
　　第一，提出了基于鄰域辨識矩陣的屬性約簡方法以及基于樣本對選擇的快速約簡方法。將基于辨識矩陣的約簡方法引入到鄰域粗糙集中，建立了鄰域辨識關系下的屬性約簡方法。在基于辨識矩陣的約簡方法中，僅最小元素影響約簡的結果，因此給出了通過尋找最小元素求得屬性約簡的快速方法。同時分析了鄰域大小對于屬性約簡的影響，檢驗了約簡評價指標的有效性。
　　第二，提出了基于鄰域屬性依賴度尋找所有約簡的方法和鄰域隨機約簡方法。

3、鄰域屬性依賴度已被用于構造尋找單個約簡的算法，通過冪集的形式可利用屬性依賴度求得所有約簡。為了尋求一種快速高效的多約簡求解方法，構建了基于屬性依賴度的隨機約簡算法。這兩種屬性約簡方法不僅適用于鄰域粗糙集，也可以拓展到經(jīng)典粗糙集以及模糊粗糙集中。
　　第三，提出了基于間隔分布熵的集成學習方法。本文提出了間隔分布熵的概念，以表示間隔分布的均勻程度，在最大化間隔的同時最大化間隔分布熵。由此設計了相應的集成學習方法并檢驗了其分類性能和間隔

4、分布的變化。
　　第四，提出了基于間隔分布優(yōu)化正則化的集成學習方法。多分類器決策融合問題本質上是一個特殊的分類問題，從分類器設計的角度去解決分類集成中的權學習問題是本文的主要思路。通過把最小化融合損失和正則化學習結合起來，提出了基于平方損失、logistic損失以及線性損失的正則化集成學習方法，并給出了平方損失對應的泛化性能的界。測試了所提出方法的分類性能、間隔分布的變化以及不同優(yōu)化目標下學習的權值，檢驗了該方法的有效性。

5、　　第五，提出了基于鄰域約簡集成的故障識別方法。從單個故障特征子空間學到的判別函數(shù)穩(wěn)定性和泛化性能較差，，把不同特征子空間的信息集成起來，可提高故障識別的穩(wěn)定性以及準確性。本文通過鄰域隨機約簡獲得不同的故障可分子空間，并通過基于間隔分布優(yōu)化的方式集成從這些子空間建立的分類函數(shù)，在齒輪裂紋故障中檢驗了提出方法的有效性。
　　本文的研究統(tǒng)一了基于鄰域粗糙集的屬性約簡方法，由于最小鄰域可分子空間泛化性能以及穩(wěn)定性方面的局限，提出了基于間