基于流形學(xué)習(xí)的機械故障診斷理論與方法研究.pdf

1、目前，大型機械設(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)備運行監(jiān)測數(shù)據(jù)蘊含了機械設(shè)備在整個運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)備的運行狀態(tài)并對所發(fā)生的故障進行準確診斷，對于現(xiàn)有的故障診斷方法提出了新的考驗。 機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，從而具備對給定環(huán)境下診斷對象進行準確的狀態(tài)識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步，但對于不確

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)點對其應(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、空間映射的拓撲質(zhì)量保持角度，以特征提取前后數(shù)據(jù)的拓撲保持度最小為準則，提出了基于拓撲保持度的鄰域因子優(yōu)化選擇算法；從數(shù)據(jù)分類的角度，提出了基于判別準則的鄰域因子優(yōu)化選擇算法，根據(jù)故障分類中的可分性判別準則，結(jié)合流形學(xué)習(xí)算法的降維特點，在鄰域因子選擇過程中，以判別準則函數(shù)最小為標準選擇最優(yōu)的鄰域因子。同時，對這兩種選擇算法進行了實驗驗證。 （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)建時采用基于核

4、方法的幾何距離計算各樣本間的實際距離，增強了鄰域結(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。對不同數(shù)據(jù)集的測試結(jié)果表明了該算法的特征提取性能優(yōu)于LLE和Laplacian Eigenmaps算法，驗證了算法的可行性和有效性。 （3）針對常規(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，為機械故障特征提取提供了一種新的途徑。仿真和工程實例的分析結(jié)果表明了所提方法的有效性。 （4）對基于流形學(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標準數(shù)據(jù)、振動仿真故障數(shù)據(jù)及壓縮機組故障數(shù)據(jù)上的特征提取實驗表明了所提算法的有效性。 （5）從監(jiān)督機制的角度來研究流形學(xué)習(xí)，針對帶有標簽信息的故障樣本中的監(jiān)督流形學(xué)習(xí)問題進行了較為詳細地分析；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)的類別標簽信息來指導(dǎo)算法的映射過程，在保持數(shù)據(jù)類內(nèi)幾何結(jié)構(gòu)的同時，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