基于多特征信息的监督多重学习,在适应性近邻策略中进行歧视性融合,应用于滚动轴承故障诊断
Hongwei Wang1, Linhu Yao2, Haoran Wang1
1Center of Shanxi Engineering Research for Coal Mine Intelligent Equipment, Taiyuan University of Technology, Taiyuan 030024, China.
Sensors (Basel, Switzerland)
|December 23, 2023
概括
这项研究引入了适应性近邻策略和多功能融合,用于智能滚动轴承故障诊断. 新的AN-MFIDFS-Isomap算法提高了旋转机械的诊断准确度和数据聚类.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 滚动轴承对于旋转机械至关重要,但容易发生故障.
- 智能故障诊断对于机械系统至关重要.
- 现有的方法在特征提取和融合方面可能缺乏稳定性.
研究的目的:
- 开发一个先进的故障诊断方法,用于滚动轴承.
- 为了提高轴承故障检测的准确性和可靠性.
- 提高机械故障诊断中多元学习的性能.
主要方法:
- 一个自适应的近邻策略,利用欧几里德距离和等号相似性优化邻居选择.
- 三个功能空间转换方法,包括一个创新的指数线性内核函数.
- 一个新的AN-MFIDFS-Isomap算法,通过与标签信息的歧视性融合,将多特征信息和分类器融合在一起.
主要成果:
- 拟议的AN-MFIDFS-Isomap算法在基准和实验数据集上表现出卓越的性能.
- 与传统的多元学习方法相比,验证显示数据集群和故障诊断准确度有所改善.
- 引入的指数线性内核增强了功能灵敏度和诊断能力.
结论:
- 该AN-MFIDFS-Isomap算法为滚动轴承故障诊断提供了一个强大的和有效的解决方案.
- 适应性近邻策略和新型特征提取显著促进诊断性能.
- 这项研究推动了机械工程中的智能故障诊断.
