針對軸承故障診斷應(yīng)用中多特征融合導(dǎo)致的維度高、相關(guān)性強、信息冗余等問題,提出一種基于偽標(biāo)簽半監(jiān)督核局部Fisher判別分析（Semi-supervised Kernel Local Fisher Discriminant Analysis, SS-KLFDA）軸承故障診斷方法。為了能利用大量無標(biāo)簽樣本提高算法判別性能,該方法首先采用密度峰值聚類算法對樣本進(jìn)行聚類分析得到偽標(biāo)簽,然后通過增加規(guī)范化項到局部FDA算法的類內(nèi)散度矩陣和類間散度矩陣中,以此保持無標(biāo)簽樣本的聚類結(jié)構(gòu)一致性,最后通過局部FDA算法來保持有標(biāo)簽樣本類間散度最大化和類內(nèi)散度最小化并求解最佳投影向量;為了能適應(yīng)非線性數(shù)據(jù)降維,進(jìn)一步給出了基于核的偽標(biāo)簽半監(jiān)督局部Fisher判別算法。試驗部分通過同其他流行降維算法在不同維度、不同特征集合以及不同分類算法條件下進(jìn)行軸承故障診斷性能對比,結(jié)果表明基于偽標(biāo)簽半監(jiān)督核局部Fisher判別分析方法的分類精度明顯優(yōu)于其他降維算法,投影后的系數(shù)向量具有更好的區(qū)分能力,使故障診斷性能得到了很大提升。 

【文章來源】：振動與沖擊. 2020,39(17)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

四種工況下的時域振動信號

為了驗證本文提出的半監(jiān)督核局部Fisher判別分析算法的降維性能,試驗中取四種工況的類別樣本各50個構(gòu)成整體數(shù)據(jù)集合進(jìn)行降維,其中設(shè)置每個類別有標(biāo)簽樣本個數(shù)為20個,未標(biāo)簽樣本個數(shù)為30個。并與SKMFA、SFDA和KSFDA三個半監(jiān)督降維算法進(jìn)行比較。對于SKMFA算法,采用5次交叉驗證選取最優(yōu)K近鄰(K-Nearest Neighbor,KNN)圖的緊鄰參數(shù)為k=7。設(shè)置KSFDA算法核參數(shù)為高斯核,核寬度通過5次交叉驗證選取為σ=1.2。對于本文算法,KNN圖緊鄰參數(shù)和高斯核寬度采用5次交叉驗證和網(wǎng)格搜索法選取為k=7和σ=1.2,截斷距離選擇使每個數(shù)據(jù)點的平均距離個數(shù)為數(shù)據(jù)點總數(shù)2%的距離大小。試驗中統(tǒng)一將規(guī)范化折中參數(shù)統(tǒng)一設(shè)置為0.5,降維維度設(shè)置為r=3。所有樣本經(jīng)各種算法優(yōu)化后得到的投影向量降維后的前三維特征兩兩組合后分別顯示在圖2中。從圖2可知,SKMFA和SFDA算法雖然能利用無標(biāo)簽樣本指導(dǎo)有監(jiān)督降維空間的學(xué)習(xí),但得到的降維特征不能實現(xiàn)無標(biāo)簽樣本的有效區(qū)分。KSFDA通過采用核半監(jiān)督降維方法,較好地實現(xiàn)部分無標(biāo)簽樣本的有效區(qū)分,但未能考慮到聚類分布信息導(dǎo)致部分無標(biāo)簽樣本無法正確歸類。不同于上述方法,本文提出的半監(jiān)督核局部Fisher判別算法得到的降維數(shù)據(jù)具有明顯的區(qū)分性,不僅同一類有標(biāo)簽樣本聚集在一起,而且不同類別的無標(biāo)簽樣本間也實現(xiàn)了有效分離。這是由于本文算法充分考慮了無標(biāo)簽樣本的聚類分布特征使降維后特征更有利于不同類別樣本間的有效區(qū)分。為了能量化地比較本文提出的基于SS-KLFDA算法軸承故障診斷方法的性能,我們采取四種工況的類別樣本各1 000個構(gòu)成整體數(shù)據(jù)集合進(jìn)行試驗。其中選取每個類別樣本集合中的500樣本組合為訓(xùn)練樣本集合,剩余的500個樣本組合為測試樣本集合。將本文算法同其他3個降維算法進(jìn)行對比分析,參數(shù)設(shè)置方法同上。為了方便比較,試驗中選取最近鄰分類器作為基分類器并采用正確分類率(Correct Classification Rate, CCR)作為性能評價指標(biāo),試驗過程中為了消除隨機影響,我們對每個類別的樣本隨機選擇200個作為有標(biāo)簽樣本,剩下的300作為無標(biāo)簽樣本,每個算法獨立運行30次統(tǒng)計它們的平均分類正確率,試驗結(jié)果如表1所示。

從試驗結(jié)果可知,本文提出的基于SS-KLFDA降維算法的故障診斷方法在不同特征組合情況下分類性能均優(yōu)于其他降維算法,這也表明本文算法的降維特征不僅能最大程度地保持有標(biāo)簽樣本的類間區(qū)分信息,還兼顧了無標(biāo)簽樣本彼此間的局部聚類結(jié)構(gòu)一致性,使得投影后的系數(shù)向量在不同特征組合下均具有很好的區(qū)分能力。6.4 不同降維維度及標(biāo)簽樣本個數(shù)下故障診斷精度對比分

【參考文獻(xiàn)】：
期刊論文
[1]迭代廣義解調(diào)齒輪信號分離的變轉(zhuǎn)速滾動軸承故障診斷[J]. 李紅賢,湯寶平,韓延,鄧?yán)?  振動與沖擊. 2018(23)
[2]基于SVDI的變工況旋轉(zhuǎn)機械故障診斷方法[J]. 宋濤,王瑜琳,趙明富,鐘年丙.  振動與沖擊. 2018(19)
[3]基于同步擠壓小波變換的振動信號自適應(yīng)降噪方法[J]. 沈微,陶新民,高珊,常瑞,王若彤.  振動與沖擊. 2018(14)
[4]基于集合經(jīng)驗?zāi)Ｊ椒纸獾钠蜋C爆震特征提取[J]. 李寧,楊建國,周瑞.  機械工程學(xué)報. 2015(02)



本文編號：3309264