基于半监督拉普拉斯特征映射的故障诊断

被引：6

作者：

江丽

郭顺生

机构：

[1] 武汉理工大学

来源：

中国机械工程 | 2016年 / 27卷 / 14期

关键词：

故障诊断; 特征提取; 流形学习; 半监督拉普拉斯特征映射;

D O I：

暂无

中图分类号：

TH17 [机械运行与维修];

学科分类号：

0802 ;

摘要：

针对有标记故障样本不足和故障数据高维非线性的问题,提出了基于半监督拉普拉斯特征映射(LE)算法的故障诊断模型。该模型运用LE算法,直接从原始高维振动信号中提取低维流形特征,并将其输入到基于LE的半监督分类器,从而识别出机械设备的运行状态。与传统方法相比,该模型能明显提高滚动轴承和齿轮的故障识别性能。

引用

页码：1911 / 1916

页数：6

共 12 条

[1] 基于拉普拉斯特征映射的滚动轴承故障识别 [J].

黄宏臣 ;

韩振南 ;

张倩倩 ;

李月仙 ;

张志伟 .

振动与冲击, 2015, 34 (05) :128-134+144

[2] 基于局部切空间排列和K-最近邻分类器的转子故障诊断方法 [J].

孙斌 ;

刘立远 ;

牛翀 .

中国机械工程, 2015, 26 (01) :74-78

[3] 基于正交半监督局部Fisher判别分析的故障诊断 [J].

苏祖强 ;

汤宝平 ;

刘自然 ;

秦毅 .

机械工程学报, 2014, 50 (18) :7-13

[4] 基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断 [J].

欧璐 ;

于德介 .

中国机械工程, 2014, 25 (10) :1352-1357

[5] 基于流形学习与一类支持向量机的滚动轴承早期故障识别方法 [J].

刘丽娟 ;

陈果 ;

郝腾飞 .

中国机械工程, 2013, 24 (05) :628-633

[6]

Detection of weak transient signals based on wavelet packet transform and manifold learning for rolling element bearing fault diagnosis[J] . Yi Wang,Guanghua Xu,Lin Liang,Kuosheng Jiang. Mechanical Systems and Signal Processing . 2014

[7]

Fault diagnosis method based on incremental enhanced supervised locally linear embedding and adaptive nearest neighbor classifier[J] . Zuqiang Su,Baoping Tang,Jinghua Ma,Lei Deng. Measurement . 2014

[8]

Time–frequency manifold for nonlinear feature extraction in machinery fault diagnosis[J] . Qingbo He. Mechanical Systems and Signal Processing . 2013 (1-2)

[9] A fault diagnosis scheme of rolling element bearing based on near-field acoustic holography and gray level co-occurrence matrix [J].

Lu, Wenbo ;

Jiang, Weikang ;

Wu, Haijun ;

Hou, Junjian .

JOURNAL OF SOUND AND VIBRATION, 2012, 331 (15) :3663-3674

[10] Semi-Supervised Learning on Riemannian Manifolds [J].

Mikhail Belkin ;

Partha Niyogi .

Machine Learning, 2004, 56 :209-239

← 1 2 →