变工况滚动轴承异常状态局部切空间分类检测

变工况滚动轴承异常状态数据在特征空间上呈现高维模糊分类特征,异常状态数据的子特征分区极为困难,增加了轴承异常检测的难度。为此,提出变工况滚动轴承异常状态局部切空间分类检测方法。采用局部切空间排列法,降维处理变工况滚动轴承数据,使其在局部切空间满足分类空间映射条件,再利用深度置信网络,通过异常数据训练提取数据的异常特征。将提取的特征输入到SVM分类器中,利用非线性映射函数将二维特征矩阵映射到三维分类空间中再将超平面结构加入其中。在多项式核函数的引导下,找到对应的子特征分类区域,根据分类结果检测变工况滚动轴承的异常状态。实验结果表明:在调整轴承承载负荷前后,该方法针对异常状态的检测率较高,早期异常点检出所花时间较少。

融合Gabor与局部切空间排列法的人脸识别算法

针对Gabor小波提取人脸特征存在维数高,计算复杂的问题,引入基于划分的局部切空间排列算法(Partitional Local Tangent Space Alignment)对得到的Gabor幅度特征(Gabor Magnitude Feature,GMF)进行降维,同时将主成分分析(PCA)和线性判别分析(LDA)引入到算法中,确定用最近邻分类器进行分类识别的最优投影子空间。通过在ORL人脸数据库上的实验证明了该算法的有效性,用Gabor小波提取特征对光照和表情变化等有良好的鲁棒性。

基于划分的有监督局部切空间排列的人脸识别

为了解决流形学习不能充分利用样本类别信息的问题,提出了一种基于划分的有监督局部切空间排列算法,并将其应用于人脸识别。新算法采用基于动态粒子群算法的有监督的K均-值聚类算法确定样本的聚类中心,将样本划分为有重叠的块,新算法在利用数据类别信息的同时保持了流形的局部几何结构,提高了流形学习对图像的识别能力,能更好地适用于人脸识别。通过在ORL数据库上与其他流形方法比较,验证了新算法的有效性。

基于流形学习的PMSM早期匝间短路故障特征提取

针对永磁同步电机早期故障微弱特征难以提取的问题,借助Ansoft建立了永磁同步电机的二维瞬态有限元模型,仿真出短路1匝到7匝状态下电机的各项性能指标。通过小波包分析的方法对不同频带的能量特征进行分解,得到故障状态的高维特征。采用局部切空间排列法和其他几种流形学习方法对匝间短路早期故障进行降维,解得低维空间中的映射,并进行了实验验证。结果表明,流形学习方法可以有效地分类出故障与正常状态,且局部切空间排列法可以对短路匝数进行区分,为永磁同步电机故障的诊断和预测提供了一个新的思路。