拉普拉斯特征映射算法参数优化研究-智能诊断与专家系统研究室.DOCVIP

中图分类号：TP182；V263.6 论文编号：1028707 12-0001 学科分类号：082304 硕士学位论文 基于流形学习与一类分类的故障诊断方法及其应用研究 研究生姓名 刘丽娟 学科、专业 安全技术及工程 研究方向 航空器安全工程 指导教师 陈 果 教授 南京航空航天大学 研究生院 民航学院 二О一二年一月 Nanjing University of Aeronautics and Astronautics The Graduate School College of Civil Aviation Study on the method of Fault Diagnosis and its application Based on Manifold Learning and One-class Classification A Thesis in Safety Technology and Engineering By Liu Lijuan Advised by Prof. Chen Guo Submitted in Partial Fulfillment of the Requirements for the Degree of Master of Engineering January, 2012 承诺书 本人郑重声明：所呈交的学位论文，是本人在导师指导下，独立进行研究工作所取得的成果。尽我所知，除文中已经注明引用的内容外，本学位论文的研究成果不包含任何他人享有著作权的内容。对本论文所涉及的研究工作做出贡献的其他个人和集体，均已在文中以明确方式标明。 本人授权南京航空航天大学可以有权保留送交论文的复印件，允许论文被查阅和借阅,可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或其他复制手段保存论文。 (保密的学位论文在解密后适用本承诺书) 作者签名： 日 期： 摘 要 随着机械设备大型化、自动化发展，设备环节之间的关联也越来越紧密，零部件的故障往往造成链式反应，导致整个设备受损，从而造成巨大的经济损失。现代机械设备的结构复杂、影响因素多变、表现行为多态，往往很难精确诊断故障发生的原因以及评估设备的运行状态。因此及时有效地诊断故障发生的原因和位置，分析故障发生的规律和起因，预防或避免故障造成重大损失，有着重要的意义。而如何从采集的复杂高维非线性数据中有效地提取故障的特征信息，根据特征信息进行智能识别和分析，是提高故障检测和诊断正确性的关键。本文研究了基于流形学习与球结构一类分类算法相结合的故障诊断方法，并进行了转子和滚动轴承故障诊断实验研究，主要工作如下： 一、分别在特征提取和模式分类两个角度综述了机械故障诊断的研究现状和发展概况。分析了流形学习方法在提取高维非线性故障数据的本质结构特征方面的优势，以及只需要一类样本就可以实现机器学习的一类分类算法的特点。表明了本文基于流形学习和一类分类的故障诊断的研究意义。 二、深入分析了流形学习方法中的拉普拉斯特征映射算法，考虑到该算法中邻域因子k以及嵌入维数d的选择对正确提取低维流形特征的结果有很大影响，通过引入网格搜索法结合Silhouette指标来定量评价LE降维的质量，提取最优参数使得降维效果最有效地逼近原始数据的拓扑结构，提高了算法的性能。 三、研究了一类分类算法的相关理论以及通过网格搜索法结合交叉验证的方式对相关参数实现寻优。并且研究了如何将一类分类算法应用于多类识别，本质上是对同一类样本用一个超球体来界定，采用多个超球体来实现多类样本的识别。 四、结合优化的拉普拉斯特征映射算法和一类分类的多类分类法，将该方法应用于滚动轴承故障诊断以及转静径向碰摩故障诊断实验。通过改进的拉普拉斯特征映射法提取故障数据中的有效敏感特征，并以一类分类的多类分类算法训练特征数据，实现对故障的分类识别。结果表明了该方法应用于滚动轴承故障诊断以及径向碰摩位置故障识别的正确性和有效性。 关键词：流形学习，拉普拉斯特征映射，特征提取，一类分类，网格搜索法，滚动轴承，转静碰摩，故障诊断。 Abstract With the machinery and equipment become large-scale and automating, the equipment components become more and more closely. Once a component is failure, it is easy to cause a chain reaction, resulting in great damage to th