APP下载

基于LLTSA的转子故障数据集降维方法

2014-07-27袁德强赵荣珍

噪声与振动控制 2014年5期
关键词:特征故障方法

袁德强,赵荣珍

(1.兰州理工大学 数字制造技术与应用省部共建教育部重点实验室,兰州730050;2.兰州理工大学 机电工程学院,兰州730050)

基于LLTSA的转子故障数据集降维方法

袁德强1,2,赵荣珍1,2

(1.兰州理工大学 数字制造技术与应用省部共建教育部重点实验室,兰州730050;2.兰州理工大学 机电工程学院,兰州730050)

特征数据集降维是机械故障智能诊断的关键步骤之一。常见的数据集降维方法难以准确的从高维非线性数据集中获取反映转子运行状态的敏感特征信息,导致故障模式识别精度降低。局部切空间排列算法(LTSA)对部分高维非线性数据集达到较好降维效果。但该算法不适合处理高曲率分布、稀疏不均匀分布等高维数据源。为此,在LTSA算法的基础上结合线性分块思想,提出线性局部切空间排列算法(LLTSA)。该算法充分考虑了数据集的整体与局部结构,将数据样本空间划分为一组最大线性块,使降维后的同类数据具有更好的聚类性。通过高维非线性转子振动数据时域特征数据集对该算法进行验证,结果表明经该算法降维后的数据集具有较好的聚类与分类性能。

振动与波;数据集降维;故障诊断;线性分块;LTSA;LLTSA

随着机械工业的快速发展,计算机与网络的广泛使用,人们可以获得越来越多的机械信息量。伴随着表示信息的数据集维数越来越高,非平稳、非线性等时变特性越来越突出[1]。为得到高维数据集内在规律,需对其进行降维处理。目前比较成熟的数据降维方式以全局线性降维方法为主,如:主成分分析(PCA)、线性判别分析(LDA)、多维尺度分析(MDS)[2,3]等,以上方法均不适于非线性数据降维。……

登录APP查看全文

猜你喜欢

特征故障方法
故障一点通
如何表达“特征”
不忠诚的四个特征
奔驰R320车ABS、ESP故障灯异常点亮
用对方法才能瘦
四大方法 教你不再“坐以待病”!
捕鱼
故障一点通
江淮车故障3例
线性代数的应用特征