基于LTSA的ICA方法及其在化工过程监控中的应用

独立成分分析(ICA)方法在线性非高斯过程的监控领域得到了成功应用,当过程数据非线性较强时效果不理想。局部切空间排列(LTSA)方法能够从在高维空间中呈现高度扭曲的数据集中发现隐含在其中的非线性结构。本文结合ICA和LTSA二者的优点,提出LTSA-ICA过程监控方法,首先用LTSA从高维数据空间中提取出低维子流形,然后在这个低维子流形上执行线性ICA算法,在保留ICA对非高斯过程处理优势的同时,较好地解决了非线性的问题。在田纳西-伊斯曼(TE)过程上的仿真表明上述方法的有效性。

增量LTSA算法在转子故障数据集降维中的应用

针对传统流形学习算法不具有增量学习能力;故难以处理新增数据与大规模海量数据集的问题,由此,提出一种用于机械转子故障数据集降维的增量局部切空间的排列算法(ILTSA)。该算法首先采用局部切空间排列算法对原始训练样本进行降维处理,获得其低维流形结构,然后通过增量学习算法对新增样本进行处理。得到所有数据的低维嵌入坐标,最后通过转子故障数据集验证了该方法的有效性,取得了良好的分类效果,有利于实时动态故障监测与诊断。

基于LTSA与K-最近邻分类器的故障诊断

针对局部切空间排列算法(LTSA)的效果受近邻数k值影响较大的缺点,提出基于聚类准则的LTSA与K-最近邻分类器的故障诊断模型。基于振动信号的时域特征构建高维特征矩阵;对高维矩阵进行标准化预处理,依据聚类准则确定局部切空间排列中的最佳近邻数k,运用LTSA提取高维矩阵的低维特征向量;将提取的低维特征向量利用K-最近邻分类器进行故障模式识别。采用轴承诊断实验系统进行验证,结果表明,基于聚类准则的优化方法可有效地克服近邻数k选择的盲目性,提高了局部切空间的降维精度和故障模式识别正确率,其在轴承时域特征维数约简方面,效果优于主成分分析(PCA)与拉普拉斯特征映射(LE),适用于轴承故障诊断。

基于EEMD-SVD-LTSA的高速列车蛇行演变特征提取框架

高速列车一旦出现蛇行失稳,列车的运行安全会受到严重威胁。在出现蛇行失稳前,高速列车会进入小幅蛇行发散状态,因此监测列车小幅蛇行演变趋势可以预测列车的运行状况,然而现有的文献鲜有对小幅蛇行演变特征进行研究,为此,提出一种基于EEMD-SVD-LTSA的高速列车特征提取框架,识别其演变趋势是小幅发散还是小幅收敛,进而预测列车运行状况。通过在线实验数据验证表明,提出的框架能成功提取高速列车小幅收敛、小幅发散的运行特征,且使用LSSVM的识别率达到100%,从而及时预测高速列车的运行状态,保障列车的运行安全。

基于LTSA-Greedy-SVDD的过程监控

为解决实际工业过程中的非线性和非高斯问题,实现有效的过程监控,提出了一种基于局部切空间排列算法的过程监控方法。首先运用局部切空间排列算法对标准化后的正常样本数据提取出低维子流形以实现维数约减。之后利用Greedy方法提取特征样本以支持向量数据描述方法建立监控模型,最后采用相应统计量进行过程监控。以田纳西伊斯曼(TE)模型为仿真平台,仿真结果说明了该方法的有效性。

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。

基于LTSA算法的透平通流结垢在线检测方法研究

汽轮机低压缸通流结垢工况下,朗肯循环中关键测点相比于正常运行时可能发生变化。对系统观测数据中所存在的复杂非线性关系,提出了一种基于LTSA算法的汽轮机结垢故障在线检测方法,并在此过程中构造了虚拟统计量,成功地检测了汽轮机系统中的结垢故障,这验证了该方法的有效性。

基于变分模态分解与流形学习的滚动轴承故障特征提取方法

提出了一种基于变分模态分解(VMD)和局部切空间排列算法(LTSA)相结合的滚动轴承早期故障诊断方法。首先利用VMD算法分解圆柱滚子轴承不同运行状态下的振动信号,通过求取瞬时频率均值并绘制特征曲线筛选出与原始信号最为相关的几个分量;然后,提取有效模态分量的时域指标和小波包频带分解能量所构成的频域指标,两者结合初步提取高维故障特征后,再应用LTSA对故障特征进行二次提取;最后输入到K-means分类器进行故障类型识别;通过对圆柱滚子轴承故障诊断的对比实验分析,发现:(1)与时频特征+LTSA、EMD+LTSA特征提取方法相比,VMD+LTSA方法在分类效果和识别精度上更具优势;(2) LTSA算法相比较于PCA、LPP、LE、ISOMAP和LLE这5种算法,其降维后的特征故障敏感性最好。研究结果表明所提出的方法在圆柱滚子轴承故障诊断方面具有一定的优越性。

基于改进局部切空间排列的流形学习算法

局部切空间排列是一种广受关注的流形学习算法,其具备实现简单、全局最优等特点,但其难以有效处理稀疏采样或非均匀分布的高维观测数据。针对这一问题,该文提出一种改进的局部切空间排列算法。首先,提出一种基于L1范数的局部切空间估计方法,由于同时考虑了距离和结构因素,该方法得到的切空间较主成分分析方法更为准确。其次,在坐标排列步骤为了减小排列误差,设计了一种基于流形结构的加权坐标排列方案,并给出了具体的求解方法。基于人造数据和真实数据的实验表明,该算法能够有效地处理稀疏和非均匀分布的流形数据。

局部切空间排列和支持向量机的故障诊断模型

提出了一种非线性流形学习和支持向量机的故障诊断模型。基于机电系统振动信号时域与频域的20个特征参数构建高维特征空间,利用局部切空间排列的非线性流形学习算法提取出隐藏其中的低维流形,网格搜索算法进行维数和邻域点参数的优化,实现高维相空间中局部邻域参数的自适应选取,获得机电系统的故障特征。利用K折交叉验证和一对一法构造支持向量机多类故障分类器,采用径向基核函数支持向量机进行机电系统的故障诊断。应用于转子试验台的3种故障状态的识别并与其他故障诊断方法进行分析比较,结果表明基于局部切空间排列和支持向量机的机电系统故障诊断模型诊断精度可达到96.6667%,可以有效提取故障的敏感特征并解决机电系统故障样本缺乏的问题。

基于局部切空间排列和K-最近邻分类器的转子故障诊断方法

为了解决大型机械设备故障数据难以准确快速提取的问题,提出了一种基于局部切空间排列(LTSA)和K-最近邻分类器的转子故障诊断模型。首先基于转子的振动信号构造一个高维多征兆矩阵,利用LTSA提取高维矩阵的低维特征向量,映射在可视空间里;然后将提取的低维特征向量输入K-最近邻分类器进行故障模式识别。试验和数据降维仿真过程表明,该模型的准确度和快速性均优于LTSA和神经网络以及LTSA和支持向量机组成的故障诊断模型。

流形学习中非线性维数约简方法概述

较为详细地回顾了流形学习中非线性维数约简方法,分析了它们各自的优势和不足。与传统的线性维数约简方法相比较,可以发现非线性高维数据的本质维数,有利于进行维数约简和数据分析。最后展望了流形学习中非线性维数方法的未来研究方向,期望进一步拓展流形学习的应用领域。

基于分形维和局部切空间均值重构的非线性降噪方法

基于主流形识别的非线性降噪方法中,约简目标维数选择随意和相空间数据在降维、全局排列和反求过程中可能畸变,使得降噪效率和效果降低。针对此问题,提出一种新的基于分形维和局部切空间重构的降噪算法。将主流形识别降噪通过仿射变换求解全局低维主流形的过程,变为对局部切空间低维坐标进行全局均值重构直接获取降噪后的全局相空间信号,并用分形几何方法估计信号的本征维数,以此作为主流形提取时的约简目标维数,在此维数空间之外的向量数据作为噪声进行消除。对混沌含噪信号和风机振动信号的降噪实验表明本文方法具有更好的降噪效果。

基于几何距离摄动的局部切空间排列算法

局部切空间排列算法(Local Tangent Space Alignment)是一种具有严格数学推理的流形学习算法,能有效地学习出高维数据的低维嵌入坐标,但也存在一些不足,如对近邻点的选取依赖性较强、不适应处理高曲率分布、稀疏分布数据源。针对这些缺点,提出了一种基于几何距离摄动的局部切空间排列算法。利用几何摄动条件把样本空间划分为一组线性分块的组合,在每一个线性块上应用LTSA算法完成降维。实验结果表明了该算法的有效性。

泛化改进的局部切空间排列算法

改进的局部切空间排列(ILTSA)算法解决了当样本稀疏、分布不均匀或数据流密度曲率变化较大时,局部切空间排列算法不能揭示流形结构的问题,用于人脸识别能提取更好的低维特征,但不能有效处理不断增加的数据集的问题。为此,提出一种可泛化的ILTSA(GILTSA)算法。结合类别信息定义样本间的距离实现各样本的近邻集选择,基于ILTSA算法求解训练样本集的低维流形,对每个新样本寻找其在训练样本集中的最近邻,然后根据ILTSA算法原理求得其近似低维流形。在ORL、Yale和埃塞克斯大学人脸库上的实验结果表明,与主成分分析算法和线性局部切空间排列算法等相比,GILTSA算法具有更好的识别率。

缺失像素图像集的流形学习算法

针对具有像素缺失的图像集,提出了修正的局部切空间对齐算法。该算法在每个局部邻域,扩展基于EM算法的主成分分析法,利用已知像素提取局部信息,替代了传统的SVD方法,从而避免了利用先验知识对图像进行恢复、固定值填充等所带来的累计误差,最终实现恢复图像集的内在流形结构。在标准的测试数据集上的实验表明,修正的局部切空间算法能很好地发掘缺失像素图像集的内在流形结构,且具有良好的图像恢复能力。

基于流形学习与隐马尔可夫模型的刀具磨损状况识别

为了提高金属铣削过程中的刀具磨损状态识别的自动化程度与精度,提出了基于局部切空间排列(LTSA)方法与隐Markov模型(HMM)来识别刀具的不同磨损状态的方法。该方法首先利用小波分析技术对铣削过程中的切削进给方向力信号进行处理,构造了高维特征空间。然后使用基于流形学习方法实现了高维特征空间的维数约简。最终利用约简后的低维特征向量训练HMM,从而实现刀具磨损状态的识别。实验结果说明该方法能够有效地识别铣削过程的刀具磨损状态。与未经特征维数约简的识别方法相比,新方法能够提高刀具磨损状态的识别效率与准确率。

一种改进的局部切空间排列算法

局部切空间排列(LTSA)算法是一种有效的流形学习算法,能较好地学习出高维数据的低维嵌入坐标。数据点的切空间在LTSA算法中起着重要的作用,其局部几何特征多是在样本点的切空间内表示。但是在实际中,LTSA算法是把数据点邻域的样本协方差矩阵的主元所张成的空间当做数据点的切空间,导致了在非均匀采样或样本邻域均值点与样本自身偏离程度较大时,原算法的误差增大,甚至失效。为此,提出一种更严谨的数据点切空间的计算方法,即数据点的邻域矩阵按照数据点本身进行中心化。通过数学推导,证明了在一阶泰勒展开的近似下,提出的计算方法所得到的空间即为数据点自身的切空间。在此基础上,提出了一种改进的局部切空间排列算法,并通过实验结果体现了该方法的有效性和稳定性。与已有经典算法相比,提出的计算方法没有增加任何计算复杂度。

一种基于经验模态分解和流形学习的滚动轴承故障诊断方法

提出一种基于经验模态分解(EMD)和流形学习(LTSA)的滚动轴承故障诊断方法。首先,利用EMD对滚动轴承振动信号进行自适应分解,计算IMF分量的协方差矩阵特征值,组成滚动轴承状态原始特征集;然后利用LTSA对原始特征集进一步的融合提取;将所得新特征输入到K-means分类器中进行故障识别与聚类。实验分析结果表明:该方法可以有效地对滚动轴承的工作状态和故障类型进行识别。

局部切空间排列算法及其在人脸识别中的应用

目的探索基于流形学习的人脸识别方法,将流形学习中的局部切空间排列算法(LT-SA)应用于人脸识别.方法利用样本点领域的切空间表示局部的几何性质,将局部切空间排列起来构造流形的全局坐标;用高斯核近似映射关系;在降维空间中用线性判别分析技术(LDA)提取特征;使用最近邻分类器进行分类识别;在Yale和CMU PIE人脸数据库上进行仿真实验.结果实验表明在Yale数据库上LTSA+LDA算法比已有LLE+LDA方法、LLTSA方法平均识别率分别高7.22%、19.11%;在CMU PIE数据库上分别高3.71%、29.56%.结论笔者提出的LTSA+LDA算法能较为有效地将局部切空间排列算法应用于人脸识别,显著提高了识别率.