半监督拉普拉斯分值在滚动轴承故障诊断中的应用

针对滚动轴承故障诊断过程中标签样本不足的问题,结合特征选择与二次挖掘,提出了基于半监督拉普拉斯分值(Semi Supervised Laplace Score,SSLS)和核主元分析(Kernel Principal Component Analysis,KPCA)的滚动轴承故障诊断模型。SSLS将半监督思想应用于拉普拉斯分值特征选择方法中,利用少量的有标签样本和大量无标签样本,结合KPCA对故障特征进行二次挖掘。同时,将粒子群优化的支持向量机(Particle Swarm Optimization-based Support Vector Machine,PSO-SVM)算法用于故障分类。最后,将该模型应用于实验数据分析过程。结果表明,该模型在减少样本标记工作量的同时,仍能在滚动轴承故障分类中保持较高的准确率,验证了所建立模型的有效性和工程实用性。

基于改进拉普拉斯分值的开关柜故障特征选择和诊断方法

为及时发现和预防开关柜的故障缺陷,设计了开关柜故障诊断特征量监测方案,选取反映开关柜绝缘、机械、温升和电弧等不同类型故障的特征量作为诊断指标,以获得开关柜故障原始特征集合;通过引入权重因子,对拉普拉斯分值和费舍尔分值进行加权,前者表征特征子集对邻近样本的局部保持能力,后者表征特征子集对非邻近样本的全局分离能力,从而形成改进的拉普拉斯分值对故障特征量重要度进行排序;利用模糊支持向量机分类器对特征子集进行校验,进而得到最优的开关柜故障特征子集;通过马氏距离量化故障特征量与标准样本的相似度,由此实现开关柜的故障诊断。通过对某开闭所中开关柜监测数据的实例分析,验证了提出方法的正确性。

基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型

提出了一种基于部分集成局部特征尺度分解(Partly ensemble local characteristic-scale decomposition,PELCD)、拉普拉斯分值(Laplacian score,LS)特征选择和基于变量预测模型模式分类(Variable predictive model based class discrimination,VPMCD)的滚动轴承故障诊断模型。PELCD是新提出的一种基于噪声辅助数据分析方法,克服了局部特征尺度分解的模态混淆问题,与传统的基于噪声辅助数据分析方法相比有一定的优越性,论文将其应用于滚动轴承振动信号的预处理。之后提取振动信号PELCD分量的时域和频域统计特征及振动信号的时频联合域特征;同时为了降低特征向量维数,提高诊断效率,采用LS优化特征向量。再将优化的特征向量输入到VPMCD分类器进行训练和测试。滚动轴承实验数据分析结果表明该模型能够有效地诊断故障程度和故障类型。

基于监督拉普拉斯分值和主元分析的滚动轴承故障诊断

在拉普拉斯分值(Laplaian score,LS)方法的基础上,提出一种监督拉普拉斯分值(Supervised laplaian score,SLS)特征选择方法。该方法同时考虑数据的标号信息和局部几何结构,避免LS方法中要设定近邻图参数的问题。将SLS和主元分析(Principal component analysis,PCA)相结合,提出基于SLS和PCA的滚动轴承故障诊断方法。该方法在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征矢量;利用SLS进行特征选择,形成故障特征矢量;再对特征矩阵进行PCA降维处理,并用K近邻(K-nearest neighbor algorithm,KNN)分类算法实现滚动轴承不同故障类型的识别。应用实例表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障,且故障分辨率优于基于LS和PCA的故障诊断方法。

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值(FCM)聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。

基于拉普拉斯分值特征选择的运动捕获数据关键帧提取

针对已有的运动捕获数据关键帧提取方法常常忽略运动数据局部拓扑结构特性问题,提出了一种基于拉普拉斯分值LS特征选择的人体运动数据关键帧提取方法。该方法首先从原始运动数据集中提取两种代表性的特征向量并对其归一化,利用LS算法对组合后的特征向量进行打分和特征权重学习,以获取能够判别性揭示局部运动信息的特征子向量;其次,通过构建综合特征函数并基于极值判别原理,得到初始候选关键帧序列;最后,根据时间阈值约束和姿态相似判别策略,利用改进的k-means算法对候选帧进行聚类筛选,以达到去除冗余关键帧的目的,从而得到最终关键帧序列集合。仿真实验结果表明,该方法提取的关键帧序列具有典型性,能较好地对整体运动捕获数据进行视觉概括。

基于VMD和拉普拉斯分值的柴油机故障诊断

针对柴油机声信号非平稳非线性的特性,提出了一种基于变分模态分解(VMD)和拉普拉斯分值(LS)的柴油机故障诊断方法。首先对柴油机声信号进行变分模态分解,从分解得到的各模态函数中进行统计特征提取,组成初始特征集;然后利用改进的拉普拉斯分值算法进行特征排序,以支持向量机(SVM)为故障分类器,实现柴油机的故障诊断;最后通过设计接受者操作特性(ROC)指示器,确定故障诊断的最优维。将该方法应用到6135D型柴油机四种常见故障的诊断中,实验结果表明该方法能有效提取柴油机声信号特征并具有较高的诊断精度。

基于拉普拉斯分值和鲸鱼寻优SVM的滚动轴承故障诊断

滚动轴承的振动信号所呈现出的非高斯、非线性等特性,使得其故障类型和故障严重程度难以准确识别,故此提出了一种拉普拉斯分值(laplacian score,LS)与基于鲸鱼算法(whale optimization algorithm,WOA)寻优的支持向量机(support vector machine,SVM)相结合的智能故障诊断方法。首先提取原始振动信号时域、频域、时频域的统计特征,通过利用LS选择较为敏感、更能表征故障状态的特征,形成故障特征向量,然后通过鲸鱼算法来优化SVM的惩罚因子和核参数,构造成分类器模型来进行故障模式识别,判断出滚动轴承的故障类型。通过多种算法对SVM的参数寻优进行对比发现WOA寻优优势明显,同时使用多方面的实验数据验证了该方法在提取滚动轴承故障特征信息方面的有效性,且具有较高的分类识别精度。

基于HDLMD和JRD距离的电机轴承故障信号分解及性能评估

为了提高电机轴承运行寿命评估能力,采用HDLMD与JRD距离分析方法相结合的方式,设计得到了一种轴承性能测试方案,构建形成了更完善的DLMD理论分析系统。通过Renyi熵准确评价振动信号处于各个退化状态的复杂性,完成轴承性能退化的分析功能。研究结果表明:轴承振动信号在各故障状态下形成的时域特征也存在较大差异。HDLMD对样本信号进行分解后形成了5种尺度对应的PF分量。NASA全寿命周期波形表明此时信号受到强烈冲击,推断轴承存在故障问题。HDLMD分解得到JRD距离具备更小波动程度。采用本文设计HDLMD与JRD相结合的方法可以实现状态的精确识别。

基于M-WDLS和PCA的转子故障诊断方法

针对不同故障特征属性交互重叠导致的故障类别辨识困难问题,提出一种基于Manhattan距离作为特征之间相似度信息测度的权值判别拉普拉斯分值特征选择方法.该方法采用Manhattan距离衡量高维特征矢量之间的相似度,并将数据样本标记信息融入权值计算中以增强权值的判别性,提升了LS算法的敏感特征筛选性能.将M-WDLS和主成分分析相结合,提出基于M-WDLS和PCA的转子故障诊断方法.首先提取原始振动信号的时域、频域、时频域特征构造混合域特征集;然后利用M-WDLS选择敏感特征组成敏感特征矩阵;最后对敏感特征矩阵进行PCA降维处理,并将结果输入到K-近邻分类器中进行模式识别.对比实验的结果表明,该方法能有效提取转子系统振动信号的状态特征,有助于提高故障辨识的准确率.

HDLMD及JRD在滚动轴承性能评估中的应用

针对微分局部均值分解(Differential local mean decomposition, DLMD)方法中微分次数计算缺乏理论指导以及传统性能退化指标无法准确表示滚动轴承在全寿命阶段上当前状态的问题,提出了一种基于HDLMD(Hilbert-differential local mean decomposition, HDLMD)和JRD(Jensen-Renyi divergence)的滚动轴承性能评估方法。该方法首先对原始振动信号进行HDLMD分解,提取乘积函数(Product function, PF)矩阵;然后,基于拉普拉斯分值(Laplacian score, LS)选择包含最多故障信息的PF分量;再计算筛选之后的有效PF分量的概率分布,得到有效PF分量的Renyi熵值;最后,计算正常信号与不同故障程度信号之间的JRD距离,并判断滚动轴承的退化状态。通过凯西斯储大学(Case western reserve university, CWRU)滚动轴承实验数据和NASA(National aeronautics and space administration)全寿命周期数据实验表明,本文所提方法可以准确、有效地评估轴承性能的退化状态。

基于改进鲸鱼算法寻优SVM的船用柴油机燃油系统故障诊断方法研究

鉴于船用柴油机的复杂性,难以及时有效地进行维护保养决策,故此提出一种拉普拉斯分值和改进鲸鱼算法的支持向量机相结合的故障诊断方法。首先利用LS对征兆样本集进行降维处理,然后通过IWOA来优化SVM的惩罚因子和核参数,构造成分类器模型来进行故障诊断。将改进的算法与传统的算法进行比较,验证了改进鲸鱼算法寻优SVM在故障诊断方面的有效性。

MCPS入侵检测深度学习模型

医疗信息物理系统是集成了医院物理、通信和计算组件的系统,旨在为患者提供高质量的医疗保健,然而医疗信息物理系统也带来新的安全风险。针对此问题,研究了一种基于LS-CNN模型的入侵检测方案,该方案采用轻量高效的拉普拉斯分值法进行特征选择,利用卷积神经网络学习特征以及分类样本。使用UNSW-NB15作为研究数据集,实验结果表明,该模型相比于其他机器学习算法具有更高的准确率,并且拉普拉斯分值法能在保证分类性能的同时降低61%的训练时间。

PSO与LS混合算法在故障特征选择中的应用

为了提高分类器的分类精度和泛化能力,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)和拉普拉斯分值(Laplace Score,LS)的混合式故障特征选择方法。该方法首先采用过滤式的特征选择方法(LS)对原始特征集进行筛选,然后利用PSO在经过精简的特征子空间里进行随机搜索,搜索过程中以支持向量机的分类准确率为适应度函数,选择出最优特征子集。用双跨转子实验台的一组故障特征数据集进行验证。实验结果表明,该方法可以有效地筛选出规模较小且最有辨别力的特征子集,能显著提高分类器的分类准确率及效率。