基于HMFDE和t-SNE的旋转机械故障诊断方法

针对旋转机械的故障特征提取较难,以及单一类型的特征无法全面反映故障特性的问题,提出了一种基于混合多尺度波动散布熵(HMFDE)、t分布-随机邻域嵌入(t-SNE)和郊狼优化算法(COA)优化极限学习机(ELM)的旋转机械故障诊断方法。首先,采用特征加权提出了混合多尺度波动散布熵方法,并将其用于提取旋转机械振动信号的故障特征;随后,采用t-SNE方法对混合故障特征进行了特征降维,挑选出了最能够反映故障特性的特征子集,构建了敏感特征样本;最后,采用郊狼优化算法对极限学习机的输入权重和隐含层阈值进行了优化,完成了旋转机械的故障识别和分类;以齿轮箱和滚动轴承故障数据集为对象,对基于HMFDE、t-SNE和COA-ELM的故障诊断方法进行了实验,验证了方法的有效性。研究结果表明:采用HMFDE-t-SNE-CAO-ELM故障诊断方法可以取得100%的故障识别准确率,该方法能够有效地诊断旋转机械的不同故障类型和损伤;相较于基于单一类型特征的故障诊断方法,其准确率分别可以提高0.68%、22.42%、29.18%(齿轮箱)和1.43%、8.23%、23.67%(滚动轴承),虽然牺牲了一定的计算效率,但准确率得到了明显的提高;相较于其他常规故障分类器,COA-ELM的故障识别准确率具有明显的优势。

基于t-SNE的多参数岩体结构面分步聚类方法

结构面聚类是进行岩体稳定性评价的重要步骤。常用聚类方法多以产状作为分组依据,忽略了结构面物理特性指标对岩体稳定性的影响。针对分组依据单一化的不足,综合考虑结构面倾向、倾角、迹长、张开度、填充状态和粗糙度的影响,提出一种基于学生分布随机邻近嵌入(student-distributed stochastic neighbor embedding,简称t-SNE)的多参数岩体结构面分步聚类方法。首先,利用t-SNE算法对除产状外的结构面特征进行数据降维;进而利用模拟退火算法搜索K-means算法的全局最优初始值,并采用分步聚类思想完成聚类。研究表明:所提方法有效地解决了高维空间样本稀疏的问题,同时保留了数据的局部结构与全局结构。新方法相比于传统方法能对空间分布相似区内结构面的物理特性进行精确划分,分组精度更高,且在避免复杂权重值计算的条件下,能有效区分产状与物理特性参数对岩体稳定性的影响差异。最后,将所提方法应用于中国新疆某露天矿坡结构面实测数据分析中,所得分组结果合理可靠,进一步证明该方法在实际工程中的有效性。研究方法可为多参数岩体结构面的分步聚类提供参考。

基于改进t-SNE和RBFNN的柴油机故障诊断

针对柴油机故障诊断问题,提出一种基于改进t分布的随机邻域嵌入(t-SNE)和径向基函数神经网络(RBFNN)的柴油机故障诊断方法。针对t-SNE算法对振动信号的实际降维效果不够理想的问题,进行自适应加权优化;引入遗传算法(GA)解决果蝇优化算法(FOA)陷入局部最优的问题,将GA-FOA应用于RBFNN参数选取中;采用改进后的RBFNN模型对经自适应加权t-SNE降维的数据进行故障识别。研究结果表明,改进后的算法能明显改善聚类效果,提高故障识别的正确率,具有良好的应用前景。

基于改进CEEMDAN和t-SNE的故障特征提取方法

针对非线性、非稳定振动信号难以提取有效故障特征的问题,提出一种基于改进自适应噪声完备集合经验模态分解(CEEMDAN)和t-分布随机邻域嵌入(t-SNE)算法相结合的故障特征提取方法。利用三次Hermite插值代替三次样条插值构造包络线,提高传统CEEMDAN对非平稳信号的分解精度;利用改进后的CEEMDAN对原始信号分解并通过相关系数筛选出有效固有模态分量(IMF),提取有效IMF分量的时频特征、奇异值和能量值构建高维混合域特征集;最后,通过t-SNE算法挖掘高维混合域特征信息得到低维敏感特征,并将其输入到支持向量机中进行分类,以分类准确率作为特征提取效果评价指标。在齿轮箱故障模拟实验台进行实验验证,结果表明该方法能够准确地提取故障特征,为故障特征提取提供新思路。

应用t-SNE算法探讨实验室检查在自身免疫性疾病诊断上临床意义

应用机器学习算法t-SNE(t-Distributed Stochastic Neighbor Embedding)对自身免疫性疾病患者实验室检查数据进行数据分析,探索其中数据结构、数据之间的关系以及在自身免疫性疾病诊断方面的意义。方法 构建以t-SNE为基础的数据分析模型,以原始实验室检查数据生成的大量高维数据集反复训练模型,确定各种重要参数和实验流程,最终对生成的一系列可视化散点图进行分析,揭示其中包含的信息和知识。结果 本研究建立了可靠性与实用性较强的数据分析模型以及具有临床实践意义的数据分析流程。通过对880例常见自身免疫性疾病病种的数据分析,发现超敏C反应蛋白将所有病例显著地分为两大类;同病种的病例具有明显聚集的数据簇结构,不同病例的数据点有重叠现象;通过比较不同的数据集分析结果,进一步简化了检查项目组合。结论 采用本研究建立的数据分析模型,能够将复杂的临床高维数据集通过计算简化为二维的可视化散点图。通过对散点图上重叠数据点的解析,快速地将疑难病例甄别出来,表明了数据分析模型的可靠性;研究结果表明超敏c反应蛋白可能在自身免疫性疾病的发生发展中具有启动者的作用;简化的检查项目组合也可以取得具有临床诊断价值的结果,在一定程度上节约了医疗资源。

基于t-SNE降维和放射传播聚类算法的低压配电网相位识别

智能电表的广泛普及和高级测量体系(advancedmeteringinfrastructure,AMI)的建立为分析配电网运行情况提供了大量监测信息与测量数据,而台区用户的相位信息变动又为准确掌握台区运行情况带来难题。针对台区用户的相位识别问题,提出了一种基于用户电压数据的t分布随机邻接嵌入(t-distributed stochastic neighbor embedding,t-SNE)特征提取及放射传播(affinity propagation,AP)聚类算法的相位识别方法。先对提取出的用户电压数据进行Z-score数据标准化处理,由t-SNE降维提取出数据特征,再采用放射传播聚类算法对用户进行相位识别。选取某市2个小区进行算例分析,采用评价指标比较了不同识别方法的识别效果,并分析了数据采集频率和计量误差对识别效果的影响。实际台区算例分析验证了所提方法的准确性,说明所提方法能够有效解决台区用户相位识别问题。

特征选择与t-SNE结合的滚动轴承故障诊断

为准确识别滚动轴承当前故障状态,提出一种集合经验模态分解(EEMD)、特征选择与t-分布邻域嵌入(t-SNE)的诊断方法。采用EEMD分解故障信号获得若干本征模态函数(IMF),采用峭度准则筛选有效IMF分量并重构;求出重构信号的高维时、频域特征矩阵并对其归一化,采用t-SNE算法获得对故障状态更敏感的低维特征矩阵;将特征矩阵输入粒子群优化的最小二乘支持向量机(LSSVM)中,实现轴承的故障识别与诊断。采用实验分析并对比几种典型的降维法,证明了t-SNE的优越性,所提方法可以实现故障状态的100%识别,验证了该方法的有效性。

基于KS检验和tSNE的设备停复电操作时长分析

南方电网日常检修操作中涉及到大量的设备停复电操作,亟需通过精确分析方法替代原有人工经验判断,实现停复电操作时长的精准分析。按照南方电网实际业务情况,先利用KS检验法筛选出影响设备停复电时长的检修-冷备用、冷备用-热备用、热备用-运行、操作总耗时四大因素,作为KS检验重要分析维度;再针对设备停复电时长的异常样本与正常样本距离较大的特点,利用tSNE方法将多维样本降至二维,直观地展示出异常样本信息,并反映异常样本的偏离程度。通过上述方法,能够快速定位停复电异常事件,为调度管理提供技术支撑。

融合CNN和ViT的声信号轴承故障诊断方法

针对轴承故障诊断任务数据量少、故障信号非平稳等特点,提出一种短时傅里叶变换、卷积神经网络和视觉转换器相结合的轴承故障诊断方法。首先,利用短时傅里叶变换将原始声信号转换为包含时序信息和频率信息的时频图像。其次,将时频图像作为卷积神经网络的输入,用于隐式提取图像的深层特征,其输出作为视觉转换器的输入。视觉转换器用于提取信号的时间序列信息。并在输出层利用Softmax函数实现故障模式的识别。试验结果表明,该方法对于轴承故障诊断准确率较高。为了更好解释和优化提出的轴承故障诊断方法,利用t-分布领域嵌入算法对分类特征进行了可视化展示。

基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测

为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入(T-SNE)样本熵状态退化特征指标和基于时间卷积网络(TCN)的轴承状态退化趋势预测方法。首先利用T-SNE算法提取原始振动信号的低维流形特征,再计算低维流形特征的样本熵作为状态退化特征,最后基于历史状态退化特征通过TCN算法预测轴承的状态退化趋势。实验结果表明,相较于传统特征指标,T-SNE样本熵特征指标能够至少提前50 min发现滚动轴承开始出现显著退化的临界状态,且TCN算法的预测误差仅为0. 45%,具有较高的工程应用价值。

温变下基于奇异谱分析的机电阻抗损伤识别法

为消除温度变化对损伤识别的影响,采用奇异谱分析(singular spectrum analysis,简称SSA)方法处理阻抗信号以分离不受温度变化影响的信号分量,提出结合t-分布随机邻域嵌入(t-distribution stochastic neighbor embedding,简称t-SNE)与K均值聚类算法的无监督机器学习方法,进一步处理信号分量实现损伤识别。为验证该方法的可行性,以螺栓组连接的铝板结构作为实验对象进行温度变化工况下螺栓松动机电阻抗损伤识别实验。结果表明,应用SSA方法得到的信号分量能在温度变化影响下有效识别螺栓松动状态,各工况识别准确率均达到98%以上,证明了所提出方法对消除温度变化影响的有效性。

基于DTCWPT和t-SNE的去噪方法及在故障诊断中的应用

为了提取被强噪声淹没的机械设备振动信号中蕴含的微弱故障特征,依据有用信号和噪声在空间分布特性的不同,将流形学习的方法引入到信号降噪中,提出一种将双树复小波包(DTCWPT)和t分布随机近邻嵌入(t-SNE)结合的去噪方法,充分利用了DTCWPT分解的多尺度特性以及t-SNE的非线性降维能力。将振动信号进行双树复小波包分解,依据各尺度小波包系数Shannon熵值搜索最佳小波包基,利用提出的新的阈值函数,对最佳小波包基的小波包系数进行去噪并单支重构组成高维信号空间,然后,采用t-SNE提取高维空间的低维流形,对低维信号序列进一步采用阈值去噪,利用谱回归分析重构回一维信号序列。最后,通过对仿真信号与滚动轴承振动信号进行去噪,结果证实了方法具有良好的非线性去噪性能,将仿真信号的信噪比从-1提高到8.6 d B,并且能更有效的提取强噪声干扰下滚动轴承的故障特征频率。

Tsne降维可视化分析及飞蛾火焰优化ELM算法在电力负荷预测中应用

电力系统的稳定运行具有负荷平衡的强约束性,准确的电力负荷预测在保证电力系统规划与可靠、经济运行方面具有十分重要的意义,影响着电力系统的诸多决策,如经济调度、自动发电控制、安全评估、维护调度和能源商业化等。该文针对电力负荷预测的多种气象因素影响,提出一种基于Tsne降维可视化分析及飞蛾火焰优化ELM算法(MFOELM)的电力负荷预测新方法。针对影响电力负荷预测的高维气象数据,采用改进的SNE降维可视化分析方法Tsne,解决了数据拥挤造成可视化效果不佳且数据结构易发生改变的问题,通过与Kpca、SNE降维方法的对比实验,证明了Tsne可以更好地将高维气象数据向低维空间映射,较高地保持高维空间中的数据结构并改善数据可视化效果;针对ELM负荷预测模型的局限,利用MFO在求解具有约束和未知搜索空间的复杂问题时具有的优越性对ELM优化,更好地解决了ELM权值输出不稳定,易陷入局部最小值等问题。通过对SAELM、PSOELM、MFOELM三种预测算法进行寻优实验,结果表明MFO不但具有更快的求解速度,而且提高了ELM的预测精度。通过对国际公开的美国日气象数据降维,协同负荷数据进行预测进行对比实验,证明了该文方法的有效性和优越性。该文方法在唐山实际电网负荷预测中应用,为制定合理的电网运行方式提供依据。

基于t-SNE的PQD特征提取可视化仿真分析

针对电能质量扰动(power quality disturbance,PQD)的复杂性,提出了一种基于t分布随机近邻嵌入(t-distributed stochastic neighbor embedding,t-SNE)流行学习算法的PQD特征提取方法。首先,建立了常见的PQD信号数学模型,并考虑了扰动参数和噪声的影响;其次,采用小波分解得到信号的小波能量向量构造原始特征集;最后,通过t-SNE算法进行二次特征提取,得到保持样本高维空间结构的,敏感度高且聚类性好的低维特征。仿真实验结果证明了提出的基于t-SNE的特征提取方法在PQD分析中的有效性。

基于PCA与t-SNE特征降维的城市植被SVM识别方法

以高光谱图像降维为研究问题,针对主成分分析法(PCA)投影结果混叠、线性不可分和t-分布式随机邻域嵌入算法(t-SNE)内存占用大、运行时间长等不足,提出了一种基于PCA与t-SNE结合的高光谱图像降维方法。设计了基于SVM的城市植被识别模型,有效地提高了运行速率,进而更好地提取高光谱图像的本质特征,提高了高光谱图像中城市植被的分类精度。实验选取肯尼迪航天中心(KSC)数据为对象,结果表明,PCA-t-SNE-SVM算法总体分类精度可达92.06%,Kappa系数为0.91时,分类效果最优,相较于PCA-SVM和t-SNE-SVM算法,总体分类精度分别提高了13.51%和3.33%,Kappa系数分别提高了0.15和0.04,均表现出良好的性能。

改进的D-t-SNE滚动轴承故障数据集降维方法

针对传统降维方法难以保持数据集的局部与全局几何结构特征问题,选择测地距离作为度量指标,提出改进t-SNE的故障数据集降维方法D-t-SNE.首先提取消噪振动信号的多域高维故障数据集,在对其进行归一化处理之后,利用GD指标改进后的D-t-SNE算法对高维故障数据集进行降维运算,去除冗余信息,然后通过不同的分类器对低维特征子集进行故障模式辨识.以UCI数据集和双跨转子实验台的模拟故障数据集为实验对象对D-t-SNE算法进行验证,并与SNE和t-SNE算法的各项实现结果进行对比.结果表明,D-t-SNE算法具有通过降低高维故障数据集的维数从而达到降低故障分类难度、提高故障辨识准确率的性能,可为降低旋转机械原始故障特征数据集的规模、降低故障分类的难度与提高故障辨识结果的可视化效果提供理论参考依据.

基于多尺度时不可逆与t-SNE流形学习的滚动轴承故障诊断

为了精确地提取机械振动信号的非线性故障特征,提出了一种新的振动信号复杂性测量方法——多尺度时不可逆。同时结合t-分布邻域嵌入(t-SNE)流形学习和粒子群优化-支持向量机(PSO-SVM),提出了一种新的滚动轴承故障诊断方法。采用多尺度时不可逆提取复杂振动信号的特征信息;利用t-SNE对高维特征空间进行降维;将低维特征向量输入到基于PSO-SVM多故障模式分类器中进行识别与诊断。将提出的方法应用于试验数据分析,并与现有方法进行了对比,分析结果表明,该方法不仅能够有效地诊断滚动轴承的工作状态和故障类型,而且优于现有方法。

基于t-SNE降维和BIRCH聚类的单相用户相位及表箱辨识

低压台区单相用户的相位及接入表箱信息的准确性对户变关系纠错和线损治理分析有重要影响。目前,拓扑档案的校验主要依靠电力员工现场排查,人力物力消耗大且排查效率低下。因此,亟需一种效率较高的低压台区拓扑档案校验方法。在此背景下,文中提出了一种基于智能电表电压数据的低压台区单相用户相位及接入表箱辨识方法,可以为低压台区的拓扑辨识及排查提供参考。首先,采用t分布的随机近邻嵌入(t-SNE)技术对原始负荷数据进行降维处理,解决台区用户原始负荷特征维度过高带来的冗余性问题;接着,应用BIRCH方法对降维后的负荷数据进行聚类,实现台区下单相用户所属相位和接入表箱的辨识。最后,以浙江省海宁市某台区为例进行验证,算例分析的结果表明所提模型具有可行性和有效性。

集成KPCA与t‑SNE的滚动轴承故障特征提取方法

针对滚动轴承原始数据集包含高维非敏感特征的问题,提出一种集成核主成分分析(Kernel Principal Component Analysis,KPCA)与t‑分布随机邻域嵌入(t‑distributed Stochastic Neighbor Embedding,t‑SNE)的滚动轴承故障低维敏感特征提取方法。该方法先计算滚动轴承原始振动信号的时域、频域以及时频域特征,构建初始高维特征数据集。利用KPCA降低高维数据集的相关性,在最大化高维数据全局特征方差的目标下,提取出非线性特征子集。通过t‑SNE充分挖掘故障特征数据集的局部结构信息,进一步获取具有高判别性的低维敏感特征子集。将低维特征子集输入到k‑近邻分类器(k‑nearest Neighbor Classifier,KNNC)进行分类,以分类准确率和聚类结果作为度量指标,对特征提取结果的优劣予以评价。上述过程综合考虑了数据集的全局和局部结构特征,充分利用了数据自身的结构信息,从而可准确提取其低维敏感特征。将该方法用于滚动轴承故障诊断实验中,通过与其他典型特征提取方法进行对比,及其对含噪情况下轴承故障特征的准确提取,验证了方法的有效性。

基于WPT和t-SNE的直升机桨叶损伤特征提取

旋翼桨叶的损坏可能会导致直升机坠落损毁,开展桨叶健康状态的在线监测评估对保障飞行安全至关重要。提出一种将小波包变换(WPT)与t-分布随机近邻嵌入(t-SNE)相结合的桨叶损伤识别方法。首先利用振动台模拟直升机服役时的真实振动,用传感器获取不同故障桨叶模型在振动环境下的输出响应。然后对信号进行小波包分解,提取小波包能量作为原始特征向量,接着用流形学习对特征向量进行维数约简,最后输入到K近邻分类器进行故障识别。实验结果表明:首先,在原始特征选取方面,小波包能量特征优于时域特征与小波包能量组合成的混合特征;其次,t-SNE的降维效果优于PCA、Sammon映射、LTSA、HLLE、SNE这5种方法,且不受嵌入维数的制约。研究结果证明了所提出的方法能提高桨叶损伤评估的准确性。