基于图嵌入概率半监督判别分析的故障辨识
针对现有旋转机械早期故障辨识方法在训练样本稀少条件下辨识性能极易衰退的关键问题,提出基于图嵌入概率半监督判别分析(Graph-implanted probability-based semi-supervised discriminant analysis,GIPSSDA)维数化简的早期故障辨识方法.该方法在训练样本稀少条件下用GIPSSDA将训练和待测样本的高维时、频域早期故障特征集化简为类区分性更好的低维特征矢量,提高了终端学习机优化证据理论K近邻分类器(Optimized evidence-theoretic k-nearest neighbor classifier,OET-KNNC)对早期故障的辨识精度.GIPSSDA集成了半监督邻接图嵌入技术,能同时利用待测样本的类判别信息和局部几何结构搜索分类的最优映射子空间,因此在训练样本非常稀少的情况下也能产生较好的分类效果.深沟球轴承早期故障辨识试验验证了该早期故障辨识方法的有效性和优越性.
旋转机械、图嵌入概率半监督判别分析、维数化简、流形学习、早期故障辨识
53
TH165;TN911
国家自然科学基金青年科学基金51305283;中国博士后科学基金2016M602685
2017-07-13(万方平台首次上网日期,不代表论文的发表时间)
共9页
92-100