基于改进LLE算法的机械故障特征压缩与诊断.pdfVIP

第 16 卷第13 期 2016 年5 月 科学技术与工程 Vo l. 16 No. 13 May 2016 1671--1815(2016)13-0086-06 Science Technology and Engineering ( 2016 Sci. Tech. Eng咯 自动化技术、计算机技术 基于改进 LLE 算法的机械故障 特征压缩与诊断 王江萍崔锦* (西安石油大学机械工程学院，西安 710065 ) 摘要 局部线性嵌入法( locally linear embeddi吨， LLE) 是一种典型的流形学习算法。在分析 LLE 算法的基本计算思路的基 础上，提出了一种基于最佳分类效果的 k 和 d 综合参数选择方法。此方法综合考虑了故障类内和类间的离散度，并以此作为 LLE 算法特征压缩效果的评价依据。根据 LLE 算法的局部线性特征保持的基本特点，提出了一种增量式 LLE 算法用于柴油 机机械故障特征压缩与诊断中。以平均子带能量法构造特征向量空间，子带数目的确定以同种故障类型特征参数问方差最 小为准则。实验中，分别使用基于最佳参数选择的 LLE 算法、传统的主成分分析(principal component analysis ,PCA) 、增量式 LLE 算法对柴油机特征向量进行压缩，并对这三种算法的特征压缩结果运用 K 近邻算法(K-nearest neig~阳m， KNN) 进行故障 诊断与分类。结果表明基于最佳参数选择的 LLE 算法的诊断分类效果要优于传统的 PCA 方法，增量式 LLE 算法也取得良好 的分类效果。实验表明，对 LLE 算法进行有关改进可以很好地应用到机械故障特征压缩与诊断中。 关键词改进 LLE 算法 机械故障诊断 特征压缩 子带能量 中固法分类号 T町9 1. 4; 文献标志码 A 本集分布不均匀时取邻域个数 k 值进行了改进，应 现代机械状态监测和故障诊断的方法很多，其 用到人耳识别中[3 J 。现提出了一种基于最佳分类 实质都是模式识别和分类问题，根据机械设备的运 效果的 k 和 d 综合参数选择方法，这种方法可以既 行信息来识别机械设备的有关状态。机械故障诊断 简单又有效地达到算法参数预选的最佳值。机械故 的关键技术是信号的特征提取。现代机械设备越来 障诊断常需要在样本训练的基础上进行故障的增量 越复杂，检测信号又表现为高维非线性。使用有效 式学习，即对新状态的判别。使用批处理的方法运 的降维方法，使高维信号映射到低维空间中，并且保 算量过大，非常不实用。因此提出一种基于 LLE 算 持原有信号的固有特征和结构尤为重要。 局部线性嵌入法 (locally linear embeddi吨， 法的增量式学习方法，充分考虑了 LLE 算法本身的 LLE) 是一种典型的流形学习算法，LLE 算法具有良 优良特征，在柴油机机械故障振动信号的处理上取 好的数据降维功能，已经成功应用到图像处理等相 得良好效果。 关领域[IJ 。由于 LLE 算法具有强大的处理非线性、 1 LLE 算法分析 高维数据的能力，这恰好适应现代机械故障监测信 号处理需求，这为故障诊断提供了良好的思路。