基于独立特征选择核Fishier判别分析的电机轴承故障诊断

为提高电机轴承的故障诊断精度,在深入研究核Fishier判别分析的基础上,对其进行了改进,并提出基于独立特征选择核Fishier判别分析(IFS-KFDA)的电机轴承故障诊断方法。该方法首先从多个角度构建了原始高维故障特征集,在此基础上,利用独立特征选择核Fisher判别分析为轴承每两类故障状态独立选择敏感特征集,使获得的敏感特征对故障状态具有更好的表征作用,同时还有效地排除乐原始混合特征集中的非敏感特征的干扰。轴承故障诊断实例验证了方法的有效性。

基于独立特征选择与相关向量机的变载荷轴承故障诊断

在线状态监控与故障诊断具有很大的经济与安全意义,提出了一种基于独立特征选择(IFS)与相关向量机(RVM)的智能故障诊断模型用于变载荷条件下识别多类轴承故障及其故障程度。首先混合空载(0hp)与满载(3hp)两种载荷状态下的实验数据作为训练样本;其次提取时域统计特征与全小波包域节点能量特征作为候选特征;接着采用一种改进的Fisher特征选择方法为每两类故障状态独立选择具有最大分类能力的最优特征子集;然后用"一对一"的方法训练多个RVM二类子分类器;最后采用"最大概率赢"的策略组合所有子分类器构成IFS_RVM多类故障诊断模型。用未知载荷(1hp,2hp)下的实验数据验证了模型的有效性,得到99.58%的极高诊断精度,实验结果表明,该模型精度高、鲁棒性强,满足变载荷条件下在线故障诊断的需要。

基于独立特征选择与流形学习的故障诊断

为了有效利用特征集所包含的敏感特征进行故障诊断,提出基于独立特征选择(Individual Feature Selection,IFS)与流形学习的故障诊断方法。从多个角度提取振动信号的混合特征,构建原始高维特征集。采用一种改进的核Fisher特征选择方法为每两类故障状态独立选择敏感特征集,并通过线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)算法挖掘出可区分度更高的特征子集。采用"一对一"的方法训练多个二类分类支持向量机(Supported Vector Machine,SVM),将得到的低维特征输入多分类故障诊断模型进行识别。液压泵故障诊断实验表明,所提方法具备较高的诊断准确率。

基于改进KFDA独立特征选择的故障诊断

为了有效利用故障特征集中对故障敏感的特征进行故障诊断,对核Fishier判别分析(KFDA)进行改进,提出基于改进KFDA独立特征选择的故障诊断方法。该方法首先从多个角度提取故障振动信号的故障特征,构建原始高维多域混合故障特征集。然后,采用改进的核Fisher特征选择方法为每两类故障状态独立选择敏感特征集。最后,采用"一对一"的方法训练多个二分类相关向量机(RVM),将得到的敏感特征集输入多分类故障诊断模型进行识别。齿轮故障诊断实例表明,所提方法具备较高的诊断准确率。

基于独立特征选择和局部保持投影的故障诊断

为了有效利用故障特征集中对故障敏感的特征进行故障诊断,提出基于独立特征选择(IFS)与局部保持投影(LPP)的故障诊断方法。该方法主要有三个步骤,一是从通过不同的特征提取方法,以此构建能够表征故障的混合特征集;二是对核线性判别分析(KLDA)进行改进,得到一种为每两类故障构建独立特征集的特征选择方法,在此基础上采用LPP对独立特征集进行进一步的融合;三是支持向量机(SVM)对构建的融合特征集进行识别,得到诊断结果。电机轴承故障诊断实例表明,所提方法具备较高的诊断准确率。