关键词：故障诊断;数据降维;全局与局部信息;流形学习;特征提取;数据可视化
摘 要：1故障诊断是保障机械设备安全运行的有效手段之一。为获取更加准确、有效的诊断结果,就需提取出有价值的设备信息。因此,如何有效地挖掘出真实反映故障信息的数据已成为当今故障诊断的研究热点。众所周知,机械故障诊断一般被分为三步:信号采集与处理,故障的特征表达与模式识别。数据降维又是特征表达中的关键一步,它可减轻后续故障模式识别的压力,提取出本质的故障信息。研究表明,数据的全局与局部信息对于降维与分类都是有益的。从信息提取的角度出发,传统的降维算法如PCA、LDA、LPP等,大多是从单一的全局或局部信息角度出发,并不能兼顾全局与局部信息的提取,导致降维与分类效果不佳。针对上述问题,为了使得故障信息保持的更加完善与故障诊断效果更高,本文全局与局部兼顾提取的故障特征集降维工作主要包含以下内容:1)从数据的保持结构角度出发,在对比分析了全局数据降维方法和局部数据降维方法的基础上,阐述了全局与局部信息对数据降维的重要性。2)当训练样本不足时,局部信息比全局信息更为重要。为此,提出一种正则化核最大边界投影(Regularized Kernel Maximum Margin Projection,RKMMP)局部信息的滚动轴承故障数据集维数约简方法。该方法首先利用RKMMP对故障样本集进行降维,然后将降维后的低维敏感特征子集输入到核极限学习机分类器中进行故障识别。滚动轴承故障模拟实验表明:该方法在一定程度上能提升故障诊断的泛化能力与识别精度。3)针对传统数据降维方法无法兼顾保持全局特征信息与局部判别信息的问题,提出一种全新的核主元分析(KPCA)和正交化局部敏感判别分析(OLSDA)相结合的转子故障数据降维方法。该方法首先利用KPCA算法最大程度地保留原始数据全局非线性信息的作用;然后利用OLSDA算法充分挖掘出数据的局部流形结构信息。转子实验表明:该方法能够全面地提取出全局与局部判别信息,使故障分类更清晰、相应地识别准确率得到了明显提升。4)降维的目的是为了保持更全面的故障信息,使故障诊断结果更精确。但KPCA-OLSDA联合降维的方法在一定程度上增加了算法的复杂度,为尽可能多地保持数据的内在全局与局部信息,提出了一种全局与局部的局部敏感判别分析(Global and Local Locality Sensitive Discriminant Analysis,GLLSDA)维数约简的故障诊断方法。首先,方法从振动信号中提取出多域、多通道的统计特征参数,构建高维故障特征数据集;然后,利用所提的GLLSDA对故障数据集进行维数约简,提取出低维敏感的特征子集。最后,将低维特征输入WKNN分类器中进行故障诊断。转子系统实验数据验证了新方法的有效性。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取