基于流形学习和K-最近邻分类器的旋转机械故障诊断方法.doc
文本预览下载声明
基于流形学习和K-最近邻分类器的旋转机械故障诊断方法
振 动 与 冲 击
第32卷第5期 JOURNALOFVIBRATIONANDSHOCK Vol.32No.572013
基于流形学习和K-最近邻分类器的旋转机械故障诊断方法
1 1 2
宋 涛 汤宝平 李 锋
1.重庆大学 机械传动国家重点实验室重庆 4000442.四川大学 制造科学与工程学院成都 610065
摘 要针对旋转机械故障诊断需人工干预精度低故障样本难以获取等问题提出基于流形学习和K-最近邻
分类器KNNC的故障诊断模型提取振动信号多域信息熵以全面反映设备运行状态并构造高维特征集利用正交邻域
保持嵌入ONPE非线性流形学习算法的二次特征提取特性进行维数约简使特征具有更好的聚类特性基于改进的更适
用于小样本分类KNNC进行模式识别用轴承故障诊断案例证明该模型的有效性
关键词流形学习正交邻域保持嵌入信息熵维数约简模式识别
中图分类号TH165.3 文献标识码A
Faultdiagnosismethodforrotatingmachinerybasedon
manifoldlearningandKnearestneighborclassifier
1 1 2
SONGTaoTANGBaopingLIFeng
1.TheStateKeyLaboratoryofMechanicalTransmissionChongqingUniversityChongqing400044China
2.SchoolofManufacturingScienceandEngineeringSichuanUniversityChengdu610065China
Abstract Consideringthedisadvantagesexistinginconventionalfaultdiagnosismethodsforrotatingmachinery
suchasnecessityofmanualinterventionlowaccuracyanddifficultytoobtainfaultsamplesafaultdiagnosismethodwas
proposedbasedonmanifoldlearningandKnearestneighborclassifierKNNC.Multidomaininformationentropyof
vibrationsignalwasextractedtoreflectfullytheworkingstatusandconstructhighdimensionalcharacteristicsets.Then
thesecondfeatureextractionpropertyofthenonlinearmanifoldlearningalgorithmorthogonalneighborhoodpreserving
embeddingONPEwasusedfordimensionalityreductionandtomakethefeaturesgetbetterclusteringproperty.
FinallyimprovedKNNCwasusedforpatternclassification.Themethodismoresuitableforsmallsampleclassification.
Adiagnosticcaseofabearingprovestheeffectivenessofthemodel.
KeywordsmanifoldlearningONPEinformationentropydimensionalityreductionpatternrecognition
显示全部