针对滚动轴承实际变工况条件使得新工况样本的类标签很难甚至无法获取,导致故障诊断准确率较低的问题,提出基于类间排斥松弛判别迁移学习(inter-class repulsive slack discriminant transfer learning,IRSDTL)的故障诊断方法。在提出的...针对滚动轴承实际变工况条件使得新工况样本的类标签很难甚至无法获取,导致故障诊断准确率较低的问题,提出基于类间排斥松弛判别迁移学习(inter-class repulsive slack discriminant transfer learning,IRSDTL)的故障诊断方法。在提出的IRSDTL方法中,首先,构造非负扩展松弛矩阵,将严格二进制标签矩阵转化为扩展松弛标签矩阵,增加辅助域中不同类标签向量之间的距离,同时使公共子空间维数不再局限于类标签的数量,进而减少辅助域分类误差,提高IRSDTL方法的泛化能力;其次,引入联合分布差异,减小辅助域和目标域之间的差异,以更好地实现两域的跨域迁移学习;然后,构造类间排斥力项来增大两域中某类标签子域样本到其他类标签子域样本之间的距离,以促进类判别学习;最后,采用交替方向乘子法(alternating direction multiplier,ADM)对IRSDTL的整体框架进行优化,便捷地得到IRSDTL参数的最优解。根据以上步骤,IRSDTL方法能在新工况样本的类标签不存在的情况下,仅利用历史工况中的有标签样本对新工况待测样本进行较高准确率的类判别。滚动轴承故障诊断实验结果表明:所提出的基于IRSDTL的故障诊断方法具有比其他4种迁移方法更高的故障诊断准确率;同时,所提出的方法将3类故障误诊为正常状态和将正常状态误诊为3类故障的误诊率都很低,从而验证了所提出方法的有效性和实用性。展开更多
文摘有序离散类标号通常由原始连续标号按一定规则映射得到,因此它们彼此间是存在关联信息的,现有有序回归方法对此类关联信息的考虑仍然较少。首先提出一类有序标号间关联度的量化表示,进而将其与典型有序回归方法(Kernel discriminant learning for ordinal regression,KDLOR)相结合,设计出了一种结合类标号关联度的有序核判别回归学习方法(Kernel discriminant learning for ordinal regression using label membership,LM-KDLOR),最后通过在多个标准有序回归数据集上的对比实验验证了所提方法的有效性。
文摘针对滚动轴承实际变工况条件使得新工况样本的类标签很难甚至无法获取,导致故障诊断准确率较低的问题,提出基于类间排斥松弛判别迁移学习(inter-class repulsive slack discriminant transfer learning,IRSDTL)的故障诊断方法。在提出的IRSDTL方法中,首先,构造非负扩展松弛矩阵,将严格二进制标签矩阵转化为扩展松弛标签矩阵,增加辅助域中不同类标签向量之间的距离,同时使公共子空间维数不再局限于类标签的数量,进而减少辅助域分类误差,提高IRSDTL方法的泛化能力;其次,引入联合分布差异,减小辅助域和目标域之间的差异,以更好地实现两域的跨域迁移学习;然后,构造类间排斥力项来增大两域中某类标签子域样本到其他类标签子域样本之间的距离,以促进类判别学习;最后,采用交替方向乘子法(alternating direction multiplier,ADM)对IRSDTL的整体框架进行优化,便捷地得到IRSDTL参数的最优解。根据以上步骤,IRSDTL方法能在新工况样本的类标签不存在的情况下,仅利用历史工况中的有标签样本对新工况待测样本进行较高准确率的类判别。滚动轴承故障诊断实验结果表明:所提出的基于IRSDTL的故障诊断方法具有比其他4种迁移方法更高的故障诊断准确率;同时,所提出的方法将3类故障误诊为正常状态和将正常状态误诊为3类故障的误诊率都很低,从而验证了所提出方法的有效性和实用性。
基金Supported by the National Natural Science Foundation of China under Grant No.60473049 (国家自然科学基金)the National Basic Research Program of China under Grant No.2006CB303105 (国家重点基础研究发展计划(973))the Excellent Young Scholars Research Fund of Beijing Institute of Technology of China under Grant No.2006Y1202 (北京理工大学优秀青年教师资助计划)