变工况滚动轴承异常状态局部切空间分类检测

变工况滚动轴承异常状态数据在特征空间上呈现高维模糊分类特征,异常状态数据的子特征分区极为困难,增加了轴承异常检测的难度。为此,提出变工况滚动轴承异常状态局部切空间分类检测方法。采用局部切空间排列法,降维处理变工况滚动轴承数据,使其在局部切空间满足分类空间映射条件,再利用深度置信网络,通过异常数据训练提取数据的异常特征。将提取的特征输入到SVM分类器中,利用非线性映射函数将二维特征矩阵映射到三维分类空间中再将超平面结构加入其中。在多项式核函数的引导下,找到对应的子特征分类区域,根据分类结果检测变工况滚动轴承的异常状态。实验结果表明:在调整轴承承载负荷前后,该方法针对异常状态的检测率较高,早期异常点检出所花时间较少。

局部切空间对齐算法的核主成分分析解释

基于核方法的降维技术和流形学习是两类有效而广泛应用的非线性降维技术,它们有着各自不同的出发点和理论基础,在以往的研究中很少有研究关注两者的联系。LTSA算法利用数据的局部结构构造一种特殊的核矩阵,然后利用该核矩阵进行核主成分分析。本文针对局部切空间对齐这种流形学习算法,重点研究了LTSA算法与核PCA的内在联系。研究表明,LTSA在本质上是一种基于核方法的主成分分析技术。

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。