优化K均值聚类在冗余特征剔除中的应用研究

摘要

cqvip:机械故障诊断中,为了提高诊断可靠性,往往采用多个特征共同决策,由此产生多维特征问题,维数过多会导致计算复杂度提高,不利于诊断的实时性。诊断所用的多个特征中,有些特征之间的耦合比较严重,有些特征之间互斥性比较强,得出的结论是特征冗余严重。为了剔除冗余特征,凸显其他特征对于诊断的重要作用,并提高计算速度,论文提出将K均值聚类方法应用于冗余故障特征的剔除中,K均值聚类能够将具有相似特性的特征聚类到一起,并以聚类中心的形式选择出最能代表该类的特征,其他相似特征直接剔除掉。采用凯斯西楚大学轴承实验室的部分故障数据作为测试数据,实验结果表明利用该方法进行冗余特征的剔除后,对比PCA,LPP和LLE特征选择方法,该方法诊断精度最高,而且由于剔除了冗余特征,使得实时性得到了改进。