基于流形學(xué)習(xí)的智能診斷方法研究.pdf

1、故障診斷的實質(zhì)是模式識別，主要研究內(nèi)容包括信號獲取、特征提取和模式分類三個方面。特征提取是故障診斷技術(shù)中最困難而又關(guān)鍵的環(huán)節(jié)，它直接影響故障診斷結(jié)果的準(zhǔn)確性和故障早期預(yù)報的可靠性。因此，在復(fù)雜運行工況下，如何提取最優(yōu)的低維故障特征來提高故障分類性能是一個巨大的挑戰(zhàn)。本論文以流形學(xué)習(xí)算法為基礎(chǔ)，深入研究了基于流形學(xué)習(xí)的特征提取與診斷技術(shù)。
　　針對復(fù)雜故障設(shè)備多個特征參數(shù)之間存在冗余性或不相關(guān)性，可能會增加后續(xù)分類器的時間消耗，甚至

2、會降低故障的識別精度，提出了基于邊界Fisher分析(MFA)算法的診斷模型。為了準(zhǔn)確而全面地獲取設(shè)備的故障信息，該模型采用多種信號處理方法進(jìn)行分析，從多角度提取多個特征參數(shù)來表征設(shè)備的運行狀態(tài)；運用MFA算法，從原始高維特征集中提取最具代表性的低維流形特征，并將所有低維特征輸入K近鄰分類器進(jìn)行故障識別。通過對滾動軸承早期故障的診斷分析，驗證了該模型的可行性和有效性。
　　針對機(jī)械設(shè)備故障診斷這種小樣本模式識別問題，提出了正則化核

3、邊界Fisher分析(RKMFA)的特征提取算法及基于該算法的診斷模型。該模型運用RKMFA算法，直接從原始高維振動信號中提取低維流形特征，并將這些具有判別信息的少數(shù)幾個流形特征輸入K近鄰分類器，最終識別出機(jī)械系統(tǒng)的故障模式。將該模型分別應(yīng)用于軸承故障類型和內(nèi)圈損傷程度的識別，實驗結(jié)果表明RKMFA算法是一種有效的特征提取算法，同時驗證了該模型的優(yōu)越性。
　　針對機(jī)械設(shè)備故障診斷過程中獲取有標(biāo)簽故障樣本比較費時費力，提出了半監(jiān)督核

4、邊界Fisher分析(SSKMFA)的特征提取算法及基于該算法的診斷模型。該模型運用SSKMFA算法直接對原始高維振動信號進(jìn)行學(xué)習(xí)，通過大量廉價的無標(biāo)簽故障樣本和少量昂貴的有標(biāo)簽故障樣本估算故障數(shù)據(jù)的潛在流形結(jié)構(gòu)，并在有標(biāo)簽故障樣本提供的監(jiān)督信息的引導(dǎo)下，學(xué)習(xí)出整個流形上的類別信息，從而提取具有判別性的低維流形特征，使得無標(biāo)簽故障樣本獲得良好的分類效果。將該模型分別應(yīng)用于軸承故障類型以及故障嚴(yán)重程度的識別和齒輪箱故障類型的診斷，實驗結(jié)果

5、表明該模型能大大提高故障識別精度，同時降低算法的計算復(fù)雜度。
　　針對基于流形學(xué)習(xí)算法提取的低維流形特征沒有明確的物理意義，導(dǎo)致其在故障診斷方面的理解性比較差等問題，提出了MFA分值的特征選擇算法及基于該算法和支持向量機(jī)分類器的診斷模型。該模型采用多種信號處理方法對故障信號進(jìn)行分析，得到一個由多個特征參數(shù)構(gòu)造的原始高維特征集；運用MFA分值算法，挖掘隱藏在原始高維特征中的內(nèi)在規(guī)律性，從而挑選出充分反映故障本質(zhì)的敏感特征子集，將其輸