多元地球化学异常识别的核马氏距离方法

地球化学数据满足多元正态分布时,马氏距离是一种有效识别多元地球化学异常的综合指标。然而,由于地质系统的复杂性、成矿作用的多期多阶段性以及控矿因素的多重性常常导致多元地球化异常临界面是非线性的和模糊的,用马氏距离定义的平滑超椭球面不能准确表示这种复杂曲面。核函数能够将地球化学样品集非线性变换至特征空间,背景样品的映像集合在特征空间中构成一种流型,异常样品的映像则零散分布于流型的边缘及外围。计算和比较样品映像到样品映像总体的核马氏距离,可以识别异常样品。把该方法应用于白山地区多元地球化学异常识别,用核马氏距离、马氏距离和主成分得分识别金-银、金-银-砷-铋-汞、金-银-铜-铅-锌-锑-钴、金-银-铜-铅-锌-砷-锑-铋-汞-钴4种组合模式的多元地球化学异常。研究结果表明:复合核函数马氏距离的多元地球化学异常识别效果优于其他方法。

基于t-SNE和核马氏距离的滚动轴承健康状态评估

针对滚动轴承在健康状态评估过程中,退化状态特征筛选和健康指数难以构建等问题,提出了一种基于t-SNE(t-distribution Stochastic Neighbor Embedding)和核马氏距离的滚动轴承健康状态评估方法。首先,利用随机森林算法筛选出重要性较高的退化状态特征,并构建高维相对退化状态特征;其次,为防止退化状态特征冗余对评估结果产生影响,利用t-SNE对高维相对退化状态特征集进行降维,将退化状态特征进行融合;最后,将其与等距映射(Isometric mapping,Isomap)、KPCA方法对比,以验证t-SNE流形学习算法进行退化状态特征降维的有效性与优越性,结果表明t-SNE算法具有一定优势。最终结果验证了所提方法的有效性。

基于EMD与核马氏距离的变速器轴承故障程度评估研究

变速器轴承故障是失效模式的重要因素,故障程度评估是剩余寿命预测的基础,也是实现“视情维修”的前提。经验模态分解(Empirical mode decomposition,EMD)通过信号本身的时域特征,将其自适应地分解为多个分量,具有优异的时频聚焦能力,经常被用于非平稳信号的故障特征提取。本文将EMD与核马氏距离相结合,利用EMD优异的时频特性进行特征提取,以核马氏距离评估轴承的故障劣化程度。

经验模态分解与核马氏距离的滚动轴承性能退化评估

为了准确识别滚动轴承退化状态,提出了一种基于经验模态分解(EMD)和核马氏距离的滚动轴承性能退化评估方法。该方法通过EMD分解得到各阶IMF分量的标准偏差提取信号的特征信息,以样本的标准偏差向量作为样本的特征向量,将无故障样本的特征向量和待测样本特征向量设为样本集,通过衡量样本集和待测样本之间的核马氏距离来评估滚动轴承的性能退化程度。通过对轴承不同故障程度数据以及对轴承全寿命实验数据的分析验证了该评估模型的可行性,所提出方法能够准确反映故障程度的加深并持续跟踪故障发展趋势。

核主成分马田系统及其应用

为解决传统马田系统无法有效识别非线性数据问题,提出构建核主成分马田系统.该方法通过核马氏距离的构建,将马田系统和核主成分分析两种方法融合在一起,使其不但具备非线性数据识别能力,还具备数据降噪能力.实例验证表明:核主成分马田系统在降维率、识别准确率、不平衡数据处理能力、特异度和灵敏度等方面不仅优于传统马田系统,还优于BP神经网络、随机森林和逻辑回归等方法.同支持向量机递归特征消除法相比,在识别准确率和不平衡数据处理能力方面,两种方法性能接近,但当数据复杂度较高时,核主成分马田系统要优于支持向量机递归特征消除法,并且核主成分马田系统需要的维数较少,也不需要反复迭代.