基于自适应域选择和最大多重边缘的多重学习故障诊断方法

科学领域:

• 机械工程 机械工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 旋转的机器产生非线性和非静止的振动信号.
• 现有的功能集往往包含多余的信息,使故障诊断复杂化.
• 传统的多元学习方法可能对域选择敏感,并与非均的特征分布作斗争.

研究的目的:

• 开发一种高维特征减小方法,用于旋转机械故障诊断.
• 解决传统的多路学习在处理复杂的振动数据方面的局限性.
• 为了提高旋转机器故障识别的准确性.

主要方法:

• 根据样本密度进行适应性社区大小选择.
• 通过使用类信息,自适应地构建多元之间和多元内部的图形.
• 对多元图的分歧矩阵和边距离的计算.
• 通过最大化边缘距离和最小化类内差异来减少特征融合.

主要成果:

• 拟议的多重学习算法在理论和现实世界的旋转机械故障数据集上表现出卓越的性能.
• 与传统的多路式学习方法相比,实现了更高的故障识别准确性.
• 有效地减少功能冗余,同时保留关键故障信息.

结论:

• 拟议的自适应多重学习方法是有效的高维特征减少在旋转机械故障诊断.
• 这种方法比传统方法提供了更好的准确性和稳定性.
• 它为智能故障诊断系统提供了一个有前途的方向.