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

1、1故障診斷是保障機械設(shè)備安全運行的有效手段之一。為獲取更加準確、有效的診斷結(jié)果，就需提取出有價值的設(shè)備信息。因此，如何有效地挖掘出真實反映故障信息的數(shù)據(jù)已成為當今故障診斷的研究熱點。眾所周知，機械故障診斷一般被分為三步:信號采集與處理,故障的特征表達與模式識別。數(shù)據(jù)降維又是特征表達中的關(guān)鍵一步，它可減輕后續(xù)故障模式識別的壓力，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，導致降維與分類效果不佳。針對上述問題，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)，在對比分析了全局數(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數(shù)據(jù)降維的重要性。
　　2）當訓練樣本不足時，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）局部信息的滾動軸承故障數(shù)據(jù)集維數(shù)約簡方法。該方法首先利用RKMMP對故障樣本集進行降維，然后將降維后的低維敏感特征子集輸入到核極限學習機分類器中進行故障識別。滾動軸承故障模擬實驗表明：該方法在一定程度上能提升故障診斷的泛化能力與識別精度。
　　3）針對傳統(tǒng)數(shù)據(jù)降維方法無法兼顧

4、保持全局特征信息與局部判別信息的問題，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)子實驗表明：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)地識別準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雜度，為盡可能多地保持數(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)約簡的故障診斷方法。首先，方法從振動信號中提取出多域、多通道的統(tǒng)計特征參數(shù)，構(gòu)建高維故障特征數(shù)據(jù)集；然后，利用所提的GLLSDA對故障數(shù)據(jù)集進行維