| 题名 | 基于LLTSA算法的转子故障特征数据集降维方法研究 |
| 作者 | 袁德强 |
| 答辩日期 | 2014 |
| 导师 | 赵荣珍 |
| 关键词 | 状态监测 故障诊断 局部切空间排列算法 增量式流形学习 |
| 学位名称 | 硕士 |
| 英文摘要 | 随着旋转机械向超大型化方向快速发展,利用运行中采集到的机械振动信号实施设备的状态监测与故障诊断,是确保其稳定、安全、高效运行的主要措施。故障诊断存在着信息量大、知识匮乏的问题,因此如何从故障特征数据中筛选出对故障诊断有用的特征数据子集,已成为故障诊断研究中亟需尽快解决的问题。传统的线性降维方法无法对非线性故障特征数据做出正确的降维处理,因此非线性故障特征数据的降维方法研究已成为当前研究的重点。此外,当机械系统需要实施在线状态监测时,正确判别新增数据的类别是保证监测结果正确性的必要前提条件。针对以上两问题,本研究对局部切空间排列算法(LTSA)进行改进,并将改进后的算法用于解决故障统计特征数据集的降维问题。还对通过借助增量LTSA学习算法对新增特征数据进行正确辨识的方法进行了探讨。开展的具体研究内容与得到的研究结论情况如下：1)针对原始故障数据无法直接用于故障分析的问题,研究了常用于故障分析的时域特征,这些特征包括均值、标准差、峰峰值和裕度指标等。针对经典的线性降维方法不能满足非线性故障数据降维要求的问题,分析比较了几种常用的流形学习算法的特点。分析显示出,该类方法在处理非线性故障数据时,拥有能够较好地保留数据本质信息特征的优点。2)针对传统的线性降维方法难以对非线性故障统计特征实施有效降维的问题,将局部切空间排列算法(LTSA)用于非线性故障特征数据的降维中。该方法能有效的对非线性数据进行降维处理。但由于在降维过程中,邻域k值的选取没有统一的标准,因此仅凭经验和试验法无法满足快速正确处理数据的要求。针对此不足,在本问题研究中引入了线性分块算法。应用情况表明：构造出的新算法能对非线性数据进行合理的局部线性分块,从而可解决LTSA算法邻域K值选取问题,使得降维结果得到了良好的改善。3)针对在线监测与诊断需要及时正确的分析与处理新增数据的问题,采用增量局部切空间排列算法(LTSA)对新增数据进行处理。设计出的新方法在利用历史数据信息的同时还能够对新增数据进行判别分析。本项研究工作对设备当前状况的分析与未来的趋势发展判断具有重要参考价值。4)将LabVIEW与MATLAB进行结合,充分利用两者的优势,成功的将LLTSA降维算法嵌入到了基于这两种软件的混合编程中。突出了良好的分析效果和可视化效果。研究表明,机械系统非线性数据的特征生成、选择与降维和新增数据的有效辨识是机械故障诊断研究的新发展方向。该工作能够为数据驱动的智能诊断实现提供新思路。 |
| 语种 | 中文 |
| 页码 | 64 |
| URL标识 | 查看原文 |
| 内容类型 | 学位论文 |
| 源URL | [http://ir.lut.edu.cn/handle/2XXMBERH/90133]  |
| 专题 | 兰州理工大学 |
| 作者单位 | 兰州理工大学 |
| 推荐引用方式 GB/T 7714 | 袁德强. 基于LLTSA算法的转子故障特征数据集降维方法研究[D]. 2014. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论