论文部分内容阅读
随着科学技术的飞速发展,机械设备在实际工作中每时每刻都会产生大量数据,然而这些数据中只有部分信息能够为我们所用。因此如何从这些数据中提取出敏感特征,是如今机器学习领域中的研究热点。特征选择算法能够从海量数据中筛选出分类性能较优的特征,为能够得到分类精度高的最优特征子集提供了新的思路。据此,为有效降低故障数据集维度,提取出对分类器敏感的最优特征子集,本文展开对特征选择方法的研究。主要研究内容及结果如下:(1)对特征选择方法的发展状况做了简要介绍,并对几种常见方法进行总结。针对能够提取出有效表征故障信息的最优特征子集问题,提出基于ReliefF算法和粒子群算法(Particle Swarm Optimization,PSO)的混合特征选择算法,在双跨度转子实验台上对所建立的方法性能进行了计算验证,该方法能够得到精简的特征子集,明显改善了故障类型的识别精度。(2)为提高故障数据集的分类精度,提出一种混合ReliefF与量子粒子群优化算法(QuantumParticle Swarm Optimization,QPSO)的特征选择方法。该方法首先利用ReliefF算法对原始故障数据集各特征进行初步筛选,随后引入QPSO对特征集合进行二次筛选,最终在得到最优特征子集的同时完成对支持向量机分类器(supportvector machine,SVM)参数的优化。通过双跨转子实验台进行验证,该方法能够实现对特征子集与SVM参数的同步优化,且能获得最高的分类精度。(3)为了有效降低原始故障数据集维度,提出将经验小波变换(empirical wavelet transform,EWT)、多尺度模糊熵(multi-scale fuzzy entropy,MFE)以及t-分布随机邻域嵌入算法(t-distributed stochastic neighbor embedding,t-SNE)集成在一起的特征提取模型。首先,利用EWT自适应分解振动信号,获得一系列调幅-调频(AM-FM)成分,选择相关系数较大的AM-FM进行信号重构;然后,计算出重构信号的MFE构建能够表征故障信息的高维特征集,利用t-SNE对高维特征集进行维数约简;最后,将约简后的敏感故障数据集输入到SVM中进行状态识别及分类。通过双跨转子实验台进行验证,该诊断模型能大幅降低原始数据集维数,显著提高了在低维空间的可视化程度。(4)本文提出的方法均是对同一频率、转速下的双跨转子实验台进行研究,没有对工作环境进行改变,在接下来的研究中应尝试在受到不同频率、不同环境、不同转速的情况下做进一步探究。