基于线性局部切空间排列维数化简的故障诊断

为实现旋转机械故障诊断方法的自动化、高精度及通用性,提出基于线性局部切空间排列(Linear LocalTangent Space Alignment,LLTSA)维数化简的故障诊断模型。首先结合经验模式分解(Empirical Mode Decomposition,EMD)和自回归(Autoregression,AR)模型系数构造全面表征不同故障特性的混合域特征集,再利用LLTSA将高维混合域特征集化简为故障区分度更好的低维特征矢量,并输入到最近邻分类器(K-nearest Neighbors Classifier,KNNC)中进行故障模式识别。所提出的诊断模型充分融合混合域特征融合在故障特征的全面提取、LLTSA在信息的有效化简及KNNC在分类决策方面的优势,实现诊断方法的自动化、高识别率及较好的通用性。用深沟球轴承不同部位、不同程度故障诊断实例验证该模型的有效性。

判别式正交线性局部切空间排列故障辨识

针对现有旋转机械故障诊断模式难以实现自动化、高精度和泛化性的关键问题,提出基于判别式正交线性局部切空间排列特征约简的故障辨识方法。该方法首先构造全面表征不同故障特性的时、频域特征集,再利用DOLLTSA将高维时、频域特征集自动约简为区分度更好的低维特征矢量,并输入到K-近邻分类器中进行故障模式辨识。时、频域特征融集可较全面准确地反映旋转机械的故障特征;DOLLTSA综合利用局部几何结构和类判别信息进行流形解耦,并采用谱回归法和子空间正交化处理来优化低维嵌入子空间,提高了故障辨识精度。深沟球轴承故障诊断实例和空间轴承寿命状态辨识实例验证了所提方法的有效性。

正交判别的线性局部切空间排列的人脸识别

为了将线性局部切空间排列算法发展为有监督的学习算法,提出了一种正交判别的线性局部切空间排列算法。该算法首先利用样本数据的类别信息计算类间散度矩阵,然后再通过对原算法的目标函数进行修改来建立新的优化问题。在解出投影子空间的基础上,再通过进行正交化来得到投影的正交子空间。在两个标准人脸数据库上进行的实验表明,由于该算法使用了局部切空间来表示数据样本所在流形的局部几何结构,不仅融合了判别信息和正交化技术,并且兼顾了局部几何结构和判别结构的保持,因此提高了识别能力。

一种半监督邻域自适应线性局部切空间排列的故障识别方法研究

线性局部切空间排列算法(Linear local tangent space alignment,LLTSA)是能够较好应用于模式识别问题的降维方法,但由于其属于无监督的降维方法且在降维过程中只使用全局统一的邻域参数,使得在对高维数据集进行约简时,不能利用部分样本的类别标签信息且不能根据样本空间分布的变化调整邻域参数。针对上述问题,提出了一种半监督邻域自适应线性局部切空间排列算法(Semi-supervised neighborhood self-adaptive LLTSA,SSNA-LLTSA)。该算法在LLTSA的基础上,利用部分标签信息来调整样本点与点之间的距离以形成新的距离矩阵来完成邻域构建,同时根据每个数据样本点邻域的概率密度自适应地调整邻域参数,进而得到更好的降维效果。经典的三维流形、UCI典型数据集模式识别和轴承故障诊断的实验结果表明,该算法克服了LLTSA算法无监督和使用全局统一邻域参数的不足,可更有效地寻找数据的低维本质流形,提高了识别准确率,具有一定优势。

基于敏感特征选择与流形学习维数约简的故障诊断

针对故障诊断中特征集包含非敏感特征和维数过高的问题,提出基于特征选择(Feature Selection,FS)与流形学习维数约简的故障诊断方法。提出一种改进的核空间距离测度特征选择方法(Improved Kernel Distance Measurement Feature Selection,IKDM-FS),在核空间中计算样本类间距离和类内散度,优选出使样本类间距大、类内散度小的特征,并根据特征的敏感程度对特征进行加权。通过线性局部切空间排列算法(Linear Local Tangent Space Alignment,LLTSA)对由敏感特征组成的特征子集进行特征融合,提取出对故障分类更加敏感的融合特征,并输入加权k最近邻分类器(Weighted k Nearest Neighbor Classifier,WKNNC)进行故障识别。WKNNC具有比k最近邻分类器(k Nearest Neighbor Classifier,KNNC)更加稳定的识别精度。最后,通过滚动轴承故障模拟实验验证了该方法的有效性。

有监督LLTSA特征约简旋转机械故障诊断

线性局部切空间排列(LLTSA)为无监督特征约简方法,对多域故障特征集进行维数约简,会导致故障解耦不完全、故障间仍然存在混叠。针对这个问题,提出有监督线性局部切空间排列(S-LLTSA)特征约简方法,将类判别信息融入特征约简过程,实现了数据集本征结构与类判别信息的有机结合,可提取出最优低维敏感故障特征向量;并通过自适应近邻分类器(ANNC)来构建故障特征向量与故障类别的对应关系。S-LLTSA特征约简有效地增加了故障特征的可辨识性,而ANNC具有优异的模式辨识能力,进一步提高了故障诊断的精度。齿轮箱故障模拟实验验证了提出的旋转机械故障诊断方法的有效性。

基于邻域自适应LLTSA维数约简的故障诊断方法研究

针对线性局部切空间排列(LLTSA)在进行故障特征降维时邻域大小难以确定的问题,提出了基于邻域自适应线性局部切空间排列(NA-LLTSA)维数约简的故障诊断方法。即首先从机械振动信号中全面提取出高维的混合故障特征集;其次采用基于Parzen窗概率密度的邻域自适应线性局部切空间排列进行维数约简,获得低维特征;最后通过支持向量机(SVM)来建立低维特征与故障类别的对应关系,实现故障诊断。NA-LLTSA维数约简增强了故障特征的辨识能力,而SVM优异的模式识别能力能够进一步提高故障诊断精度。滚动轴承的故障诊断实例验证了所提故障诊断方法的有效性。

基于LCD-LLTSA的电动汽车电机轴承故障特征频率提取

为有效提取出电动汽车电机轴承故障特征频率,将局部特征尺度分解、线性局部切空间排列和包络分析进行结合,用于电动汽车电机轴承的故障特征频率的提取。首先利用局部特征尺度分解对电动汽车电机轴承故障信号进行分解,得到若干个内禀尺度分量;然后利用线性局部切空间排列对由内禀尺度分量构成的矩阵进行降维处理,得到低维矩阵并以此进行信号重构;最后对重构信号进行包络谱分析,获得故障特征频率。仿真信号和实验信号的实验结果验证了方法的有效性。

基于图像形状特征和LLTSA的故障诊断方法

针对滚动轴承故障诊断问题,提出了一种基于图像形状特征和线性局部切空间排列(LLTSA)的故障诊断方法。首先采用SDP(Symmetrized Dot Pattern)方法对时域信号进行变换,得到极坐标空间下的雪花图像,在分析图像特点的基础上,从图像处理的角度初步提取出图像的形状特征;然后利用LLTSA对初步提取的特征进行维数约简以提取低维特征;最后采用支持向量机(SVM)对低维特征进行分类评估。滚动轴承的故障诊断实验表明图像形状特征能够表征轴承的状态,经LLTSA约简后特征数据的复杂度得到降低,且具有更好的聚类效果,而SVM对轴承4种状态的识别率也达到了100%,验证了该方法的有效性。

基于半监督LLTSA维数约简的故障诊断

线性局部切空间排列(LLTSA)为无监督的维数约简方法,在对高维故障特征集进行维数约简时,不能利用部分样本的类别标签信息,使得获得的低维特征仍出现混叠的情况。针对这个问题,提出了半监督线性局部切空间排列(SS-LLTSA)的维数约简方法,即利用部分标签信息来调整样本点与点之间的距离以形成新的距离矩阵,通过新的距离矩阵进行邻域构建,实现了数据本质流行结构和类别标签信息的结合,能够提取区分度更好的低维特征。此外,还通过支持向量机(SVM)来建立低维特征与故障类别的对应关系,实现故障诊断。SS-LLTSA维数约简增强了故障特征的辨识能力,而SVM优异的模式识别能力能够进一步提高故障诊断精度。滚动轴承的故障诊断实例验证了所提故障诊断方法的有效性。

基于FFT和LLTSA的传动系统故障诊断研究

在传统的故障诊断方法中,往往先要基于先验知识求取原始振动信号的特征,并将其输入到智能分类器中进行模式识别,其中容易出现信息丢失,且依靠人为经验进行判断不够准确,针对这一问题,提出了基于快速傅里叶变换(FFT)与流行学习联合的智能故障诊断模型。首先,采用FFT变换将原始数据从时域转换到频域,获得了高维特征数据;然后,使用3种流形学习算法,即多维尺度变换(MDS)、核主成分分析(KPCA)、线性局部切空间排列(LLTSA),获得了低维表征信息;最后,基于故障诊断试验平台系统,对轴承及齿轮工作数据信息进行了获取与处理,将其数据样本输入到智能分类器中,进行了训练和测试。研究结果表明:FFT降维变换可以有效地减少人为选择因素引起的样本衰减现象,同时最近邻域估计算法可以提高智能分类器的测试准确率,使得基于FFT与流行学习的联合智能分类模型对状态数据识别率在80%以上,其中FFT+LLTSA联合智能分类模型的识别率最高可达到87%以上;该结果可验证该分类模型在机械传动系统故障检测中具有的有效性。

一种面向异常检测的高光谱图像降维算法

针对高光谱数据预处理中传统降维算法的不足,文章提出采用线性局部切空间排列(LLTSA)算法进行降维,并在低维空间中,以数据点到背景流形的最小距离为度量进行异常目标检测。面向异常目标检测问题的降维算法,需要考虑计算量和异常污染两个问题:为减少计算量,选择图像中一部分具有代表性的训练数据进行LLTSA降维并求取用于泛化的投影矩阵;为避免异常信息对背景特性的影响,应该选择不含异常的背景训练数据建立背景流形。背景训练点的选择基于递归多层分割算法,结合分割块的大小和分割块被近邻点重构的误差,去除分割结果中可能包含异常的区域并尽可能多地保留背景信息。实验结果表明LLTSA可以利用少数特征有效区分背景和异常,基于LLTSA的检测算法比经典RX和核RX算法具有更好的异常检测性能。

关于股票价格优化预测的建模仿真研究

股票数据具有非线性和含有大量噪声的特点,传统股票预测模型难以充分识别股票非线性特征以及降低噪声,导致预测精度不高.为了提高预测精度,去除冗余特征并加强特征的区分度,引入流形学习中的线性局部切空间排列算法,提出了一种新的支持向量回归机的股价预测优化模型.首先利用线性局部切空间排列算法对股票原始数据进行特征提取,然后采用支持向量回归机对提取到的特征和股票价格之间的非线性关系建模,并利用遗传算法优化支持向量回归机的参数,最终提高股票价格的预测精度.为证明模型的有效性,采用标准普尔500指数在2012—2013年、2014—2015年2个时间段内的股票数据进行检验.实验证明,提出的模型相较其他对比模型具有更高的预测精度,更强的泛化能力.

基于LLTSA算法维数约简的滚动轴承故障诊断

针对滚动轴承高维故障特征集识别精度低的问题,提出基于线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)算法的维数约简故障诊断模型。首先结合小波包分解、时域、频域及时频域统计方法构造全面表征轴承不同故障特性的混合域特征集,通过敏感度的特征选取方法,从混合特征集中选取轴承故障的敏感特征集,再利用LLTSA算法将高维敏感特征集约简为故障区分度更好的低维特征矢量,并用模糊C均值(Fuzzy C-means,FCM)聚类算法进行故障模式识别,本研究方法能够突出不同特征对分类的贡献率,强化敏感特征,弱化不相关特征,提升了分类精度。最后用深沟球轴承不同部位故障诊断实例验证该模型的有效性。