基于流形學(xué)習(xí)的機(jī)械故障診斷理論與方法研究.pdf

1、目前，大型機(jī)械設(shè)備的結(jié)構(gòu)與工作狀況的復(fù)雜性及其非線性特性日益突出，設(shè)備運(yùn)行監(jiān)測(cè)數(shù)據(jù)蘊(yùn)含了機(jī)械設(shè)備在整個(gè)運(yùn)行歷程中的所有信息，如何從這些數(shù)據(jù)中提取有效信息，判定設(shè)備的運(yùn)行狀態(tài)并對(duì)所發(fā)生的故障進(jìn)行準(zhǔn)確診斷，對(duì)于現(xiàn)有的故障診斷方法提出了新的考驗(yàn)。 機(jī)械故障診斷的核心是有效地獲取、傳遞、處理、再生和利用診斷信息，從而具備對(duì)給定環(huán)境下診斷對(duì)象進(jìn)行準(zhǔn)確的狀態(tài)識(shí)別和診斷決策的能力。當(dāng)前，雖然故障診斷理論和方法的研究取得了較大的進(jìn)步，但對(duì)于不確

2、定的、非線性的以及故障征兆復(fù)雜的診斷問題，其診斷效果十分有限。由于流形學(xué)習(xí)具有良好的非線性復(fù)雜信息處理能力，本論文將流形學(xué)習(xí)理論與方法應(yīng)用于機(jī)械故障診斷，通過研究流形學(xué)習(xí)提取樣本數(shù)據(jù)內(nèi)在的幾何結(jié)構(gòu)及其規(guī)律性，并以此為出發(fā)點(diǎn)對(duì)其應(yīng)用于故障診斷過程中基于流形學(xué)習(xí)的特征提取與分類方法展開了研究。論文主要工作如下： （1）在分析黎曼流形和流形學(xué)習(xí)理論的基礎(chǔ)上，研究了流形學(xué)習(xí)中的幾個(gè)典型算法：討論了故障診斷中流形學(xué)習(xí)算法的參數(shù)優(yōu)化問題，從

3、空間映射的拓?fù)滟|(zhì)量保持角度，以特征提取前后數(shù)據(jù)的拓?fù)浔３侄茸钚闇?zhǔn)則，提出了基于拓?fù)浔３侄鹊泥徲蛞蜃觾?yōu)化選擇算法；從數(shù)據(jù)分類的角度，提出了基于判別準(zhǔn)則的鄰域因子優(yōu)化選擇算法，根據(jù)故障分類中的可分性判別準(zhǔn)則，結(jié)合流形學(xué)習(xí)算法的降維特點(diǎn)，在鄰域因子選擇過程中，以判別準(zhǔn)則函數(shù)最小為標(biāo)準(zhǔn)選擇最優(yōu)的鄰域因子。同時(shí)，對(duì)這兩種選擇算法進(jìn)行了實(shí)驗(yàn)驗(yàn)證。 （2）提出了一種基于核方法的流形特征提取算法——KLapEig，該算法在鄰域構(gòu)建時(shí)采用基于核

4、方法的幾何距離計(jì)算各樣本間的實(shí)際距離，增強(qiáng)了鄰域結(jié)構(gòu)描述的精度，提高了算法有效提取數(shù)據(jù)內(nèi)在幾何結(jié)構(gòu)的性能。對(duì)不同數(shù)據(jù)集的測(cè)試結(jié)果表明了該算法的特征提取性能優(yōu)于LLE和Laplacian Eigenmaps算法，驗(yàn)證了算法的可行性和有效性。 （3）針對(duì)常規(guī)線性特征提取方法不能有效提取數(shù)據(jù)非線性結(jié)構(gòu)的不足，利用提出的KLapEig算法進(jìn)行故障的特征提取，挖掘故障數(shù)據(jù)集的內(nèi)在幾何分布特性，提出了一種基于KLapEig的故障特征提取方法

5、，可用于解決高度非線性、非結(jié)構(gòu)化、高維度故障數(shù)據(jù)的模式分類問題，為機(jī)械故障特征提取提供了一種新的途徑。仿真和工程實(shí)例的分析結(jié)果表明了所提方法的有效性。 （4）對(duì)基于流形學(xué)習(xí)的故障特征提取中的自學(xué)習(xí)問題進(jìn)行了研究，提出了一種基于流形學(xué)習(xí)的增量式特征提取自學(xué)習(xí)算法——I－KLapEig。該算法以假設(shè)新增樣本的鄰域局部映射關(guān)系保持不變?yōu)榛A(chǔ)，以鄰域內(nèi)樣本的權(quán)值矩陣作為新樣本映射到低維空間的映射矩陣，最終獲得新樣本對(duì)應(yīng)低維空間的特征分布

6、，具有較好的特征提取及自學(xué)習(xí)性能，在Iris標(biāo)準(zhǔn)數(shù)據(jù)、振動(dòng)仿真故障數(shù)據(jù)及壓縮機(jī)組故障數(shù)據(jù)上的特征提取實(shí)驗(yàn)表明了所提算法的有效性。 （5）從監(jiān)督機(jī)制的角度來研究流形學(xué)習(xí)，針對(duì)帶有標(biāo)簽信息的故障樣本中的監(jiān)督流形學(xué)習(xí)問題進(jìn)行了較為詳細(xì)地分析；提出了一種監(jiān)督式流形特征提取算法——S－KLapEig，該算法充分利用數(shù)據(jù)的類別標(biāo)簽信息來指導(dǎo)算法的映射過程，在保持?jǐn)?shù)據(jù)類內(nèi)幾何結(jié)構(gòu)的同時(shí)，使得不同類樣本在特征提取后的特征空間中具有可分性，從而更