基于随机邻域嵌入的机械故障特征提取方法

摘要

特征提取是机械故障诊断的基础，如何有效地获取故障特征信息是故障诊断领域的研究重点和热点。随着数据挖掘技术的不断发展，数据降维算法被引入到故障诊断领域用于信号的特征提取。本文针对故障诊断过程故障数据高维数、非线性化、复杂性等特点，研究基于随机邻域嵌入的机械故障特征提取方法，相关工作如下:
　　针对欧氏距离在高维数据空间中不能提供较大的相对距离差，无法明显体现高维数据对象之间差异性的问题，提出一种基于Manhattan距离的随机邻域嵌入(Manhattan-SNE)算法。采用Manhattan距离衡量高维数据对象之间的相异度，得到高维空间和低维空间数据对象之间相似度的条件概率。UCI数据集和仿真故障信号分类识别验证所提改进算法的有效性。
　　针对随机邻域嵌入算法无法利用现实数据中少量样本标记信息的问题，提出一种基于拉普拉斯正则化度量学习的半监督随机邻域嵌入(semi-supervised SNE，ss-SNE)算法。采用拉普拉斯正则化度量学习对距离矩阵进行半监督学习，利用已标记数据提供的信息，重新刻画数据点之间的距离，从而实现SNE算法的半监督改进。与其他半监督降维算法的对比分析表明所提改进算法的优越性。
　　随机邻域嵌入算法是一种批处理方法，无法获取高维空间到低维嵌入空间的映射函数，由此导致该算法无法对新增数据进行增量式处理。本文构造一种随机邻域嵌入算法的增量形式（增量SNE算法），寻找新增样本点的K近邻，使得新增样本的K近邻的分布形式和K近邻对应的低维映射的分布形式尽可能匹配，实现新增样本的学习。
　　最后，将上述方法应用于实际齿轮箱故障诊断，结果表明上述方法能够有效提高故障诊断精度，验证了算法在实际故障诊断应用中的可行性。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状

1．2．1 故障诊断特征提取技术

1．2．2 随机邻域嵌入算法研究现状

1．2．3 随机邻域嵌入算法在实际中的应用研究现状

1．3 论文主要研究内容

第2章 随机邻域嵌入算法分析

2．1 常见数据降维算法介绍

2．1．1 随机邻域嵌入算法

2．1．2 主成分分析(PCA)

2．1．3 局部线性嵌入(LLE)

2．2 几种降维算法对数据集的降维效果

2．2．1 低维降维效果

2．2．2 分类效果比较

2．3 随机邻域嵌入算法分析

2．4 本章小结

第3章 基于Manhattan距离的随机邻域嵌入算法

3．1 Manhattan距离与欧氏距离

3．2 基于Manhattan距离的随机邻域嵌入算法(Manhattan-SNE)

3．3 UCI数据分类识别

3．3．1 低维可视化效果

3．3．2 与其他降维方法的分类效果比较

3．4 仿真故障数据分类识别

3．4．1 故障原始特征提取

3．4．2 仿真故障信号分析

3．5 本章小结

第4章 基于拉普拉斯正则化度量学习的随机邻域嵌入算法

4．1 半监督学习研究背景及意义

4．2 半监督随机邻域嵌入算法

4．2．1 距离度量学习

4．2．2 基于拉普拉斯正则化度量学习的半监督随机邻域嵌入算法(ss-SNE)

4．3 UCI数据分类识别

4．3．1 ss-SNE算法对数据集的分类效果

4．3．2 ss-SNE与其他半监督降维算法的对比

4．4 本章小结

第5章 增量随机邻域嵌入算法

5．1 增量学习

5．2 增量随机邻域嵌入算法

5．2．1 增量问题描述

5．2．2 两种增量思路

5．2．3 增量学习算法判断准则

5．2．4 两种增量学习思路的增量误差比较

5．3 UCI数据分析

5．4 本章小结

第6章 故障诊断实例分析

6．1 齿轮箱故障实验

6．2 基于Manhattan-SNE算法的故障诊断

6．2．1 故障信号处理流程

6．2．2 齿轮箱故障信号分析

6．3 基于半监督随机邻域嵌入算法的故障诊断

6．3．1 故障信号处理流程

6．3．2 齿轮箱故障信号分析

6．4 基于增量随机邻域嵌入算法的故障诊断

6．4．1 故障信号处理流程

6．4．2 齿轮箱故障信号分析

6．5 本章小结

第7章 总结与展望

7．1 全文总结

7．2 展望

参考文献

致谢

攻读硕士学位期间发表的论文