毕业论文

当前位置: 毕业论文 > 物理论文 >

SLLEP旋转机械故障识别的流形学习方法实现与验证

时间:2017-12-02 19:54来源:毕业论文
基于非线性流形学习的故障特征提取方法,更有效的解决机械故障诊断中的非线性问题。根据原始数据集的样本类别信息,运用监督局部线性嵌入算法(SLLEP),先进行高维度数据样本的
摘要目前,流形学习方法已经作为一种研究非线性信号数据内在几何分布特征的有效手段,同样可以用于故障信号特征的提取。用基于非线性流形学习的故障特征提取方法,更有效的解决机械故障诊断中的非线性问题。根据原始数据集的样本类别信息,运用监督局部线性嵌入算法(SLLEP),先进行高维度数据样本的降维,然后进一步选择合适的分类器,进行故障分类。由于采用了非线性的维数简约方式,使得故障信号中的几何结构得以完整保留,增强了故障识别的准确性,最后通过轴承实例应用,验证了流形学习算法在故障特征提取中的可行性和高效性。15962
关键词  流形学习  故障诊断  特征提取  监督局部线性嵌入
毕业设计说明书(论文)外文摘要
Title   Manifold learning for fault recognition of rotator machinery
Abstract
Currently, manifold learning methods have been used as an effective means to study the intrinsic geometrical distribution of nonlinear signal data.In this thesis,the same method is used to extract features of fault signals. With fault diagnosis method based on nonlinear manifold learning more effective solution of the nonlinear mechanical fault diagnosis can be obtained . Manifold learning algorithm based on original data set class information, i.e.supervised locally linear embedding projection algorithm (SLLEP), first reduces the dimensionality of high-dimensional data samples, and then further selects the appropriate classifier for fault classification. Nonlinear dimensionality reduction makes the geometry of the fault signal to be intact, and enhances the efficacy of fault identification. Experimental results for bearing fault diagnosis validated feasibility and efficacy of manifold learning method.
Keywords  Manifold learning  Fault diagnosis   Feature extraction

源自六;维,论/文.网*加7位QQ324`9114 www.lwfree.cn


Supervised locally linear embedding
目  次
1    引言    1
1.1    课题研究背景    1
1.2    国内外研究现状    1
1.3    本文研究方向    2
2    监督局部线性嵌入算法理论及流程    3
2.1局部线性嵌入算法理论    3
2.2有监督的局部线性嵌入算法    4
2.3映射投影的局部线性预测    5
3    基于流形学习的故障特征提取    6
3.1基于监督局部线性嵌入的故障特征提取    6
3.2 基于主成分分析的故障特征提取    8
4    故障分类器的选择与故障分类的实现    10
4.1 分类器概念    10
4.2  K-近邻分类器    11
4.3  K-近邻分类器算法需要解决的问题    12
5    编码实现及实验    13
5.1编码软件MATLAB    13
5.2轴承故障数据    14
5.3实例轴承实验    17
结  论    20
致  谢    21
参考文献    22
1    引言
1.1     课题研究背景
随着大型机械设备在实际工程中的应用,设备的结构及工作状况日趋复杂多样化,相对应的监测数据非线性特性也越来越突出,故障种类也变得多种多样,因此,设计合理的数据分析方法,如何从这些非线性数据中提取有效的故障信息,准确的判断设备的运行状态和故障所在,对于大型机械设备故障诊断有重要的理论和实际价值。 源自六;维,论/文.网*加7位QQ324`9114 www.lwfree.cn
但是由于现代电子科学技术和计算机技术发展的缓慢,使得一些维数较高的工作受到阻碍,因此数据预处理就针对高维数据维数简约进行研究处理,使得维数降低到一个低的维数阶层,但同时必须留有其原本的结构和工作所需要的有效信息。降维的优势是经过处理后的数据消除了原始数据中无关的或者噪声影响的数据,使得数据内部的结构清晰地展现。使得随后的计算空间大大减小,运算效率有所提升。 SLLEP旋转机械故障识别的流形学习方法实现与验证:http://www.lwfree.cn/wuli/20171202/17131.html
------分隔线----------------------------
推荐内容