轉子故障數(shù)據(jù)降維的流形學習方法研究.pdf

1、近年來，隨著信息技術的快速發(fā)展，如何將信息技術融入旋轉機械設備，并利用基于數(shù)據(jù)驅動的相關理論挖掘出能夠實時反映機械狀態(tài)運行的內在屬性的方法成了機械故障診斷發(fā)展的必然趨勢。流形學習算法作為一種新的能構建出高維空間數(shù)據(jù)結構的非線性數(shù)據(jù)處理算法，已成功應用于很多領域，如：數(shù)據(jù)挖掘，數(shù)據(jù)模式辨識及分類，故障診斷等。然而，等距映射（Isometric Mapping,ISOMAP）和局部線性嵌入算法(Locally linear embeddin

2、g,LLE)這兩種較為經典的流形學習算法在數(shù)據(jù)處理的過程中也表現(xiàn)出各自的優(yōu)點及缺點。故針對此現(xiàn)狀，本論文主要將這兩種算法的優(yōu)缺點在核函數(shù)的理論基礎上進行融合，進而提出了一種新的能夠兼顧這兩種算法特點的KISOMAPLLE算法。主要的研究成果如下：
　?。?）將兩種算法在核框架下進行融合，提出了一種新的KISOMAPLLE算法，并將其成功應用于六大人工數(shù)據(jù)集。實驗結果表明，該算法在人工數(shù)據(jù)集中能夠成功實現(xiàn)降維外，而且具有對鄰域的選擇

3、及噪聲的敏感性較弱、魯棒性較強的特點。
　?。?）將KISOMAPLLE算法與其他7種算法應用于原始轉子故障特征集，并進行數(shù)據(jù)降維及比較分析。實驗結果顯示，本文算法相較于其他幾種算法有較高的故障模式辨識準確率。
　?。?）對該算法和其他幾種算法在轉子故障數(shù)據(jù)集中隨鄰域變化關系進行了相關研究。實驗結果表明，本文算法相較于其他幾種算法對鄰域選擇敏感性較弱，與其在人工數(shù)據(jù)集實驗結果有相同的結論，繼而驗證了該算法對解決實際問題有一定