基于核化局部全局一致性学习的提升机故障诊断.pdfVIP

· 74· 煤 矿 机 电 2014年第3期 基于核化局部全局一致性学习的提升机故障诊断 陈洪飞 (中国煤炭科工集团 上海研究院，上海 201401) 摘 要： 典型的局部全局一致性学习(LearningwithLocalandGlobalConsistency，LLGC)是基于 图的半监督学习算法，虽然可以对样本进行有效标注，但对非线性数据却无能为力，且会 出现维数 灾难现象。为此，在LLGC的基础上引入核函数，提出核化局部全局一致性学习(KLLGC)解决上述 问题。提升机故障诊断的实验结果表明KLLGC的有效性和可行性。 关键词： 故障诊断；核函数；局部全局一致性；分类器 中图分类号：TD53 文献标识码：B 文章编号：1001—0874(2014)03—0074—03 HoisterFaultDiagnosisBasedonKernelLearningwith LocalandGlobalConsistency ChenHongfei (ShanghaiResearchInstituteofCCTEG，Shanghai201401，China) Abstract： ThetypicalLLGC (LearningwithLocalandGlobalConsistency)isasemi—supervisory learning algorithm basedonthecharts．Although，itisabletoeffectivelylabelthesamples，buthelplessfornonlineardata andevenmayfallintothe dimension disaster．Thus，theKernelfunction isintroduced intoLLGC tosolvethe problem．ThetestresultsofhoisterfaultdiagnosisshowthattheKLLGC (KernelLearningwithLocalandGlobal Consistency)algorithm isavailableandfeasible． Keywords： faultdiagnosis；Kernelfunction；localandglobalconsistency；classifier 原则基础上的统计学习理论 ，是针对小样本情况下 0 引言 机器学习问题建立的新理论体系 ，它追求的不是样 故障诊断能缩短维修周期，提高维修质量和效 本数趋于无穷大的最优解 ，而是有限样本的最优解 ， 率，保持和恢复设备功能，提高设备的可用性水平， 兼顾 了经验风险和置信范围。支持向量机是在统计 有非常重要的经济意义和社会意义 ¨。煤矿井工 学习理论基础上发展起来的一种机器学习算法。 生产中，对提升机系统进行实时监测，及时发现及预 获取有标记样本需要相关领域的专家对样本进 测故障，防止出现重大安全事故 ，已受到越来越多的 行标记 ，因而比较 困难且代价 昂贵。随着数据采集 重视。 和存储技术的发展，获取无标记样本 已变得非常容 常规的故障诊断方法大都依赖大样本的统计特 易。在实际的矿井提升机故障诊断中，有大量无标 性 。如神经网络，当训练样本有限时，难 以保证有较 记样本，有标记样本只占很小的比例。 好的分类推广性能。另外，神经网络实际上是利用 当用传统的神经网络、SVM等监督学习方法处 梯度下降调节权值，使 目标函数达到极小，导致过分 理问题时