基于变量预测模型的模式识别方法及其在机械故障诊断中的应用-东篱科研大数据发现系统（DRDS）

位置：立项数据库 > 立项详情页

基于变量预测模型的模式识别方法及其在机械故障诊断中的应用

项目名称：基于变量预测模型的模式识别方法及其在机械故障诊断中的应用
项目类别：面上项目
批准号：51175158
申请代码：E050302
项目来源：国家自然科学基金
研究期限：2012-01-01-2015-12-31

项目负责人：杨宇
依托单位：湖南大学
批准年度：2011

中文摘要：

基于变量预测模型的模式识别（Variable predictive model based class discriminate，VPMCD）是一种新的模式识别方法，它利用从训练样本中提取的特征值之间具有的相互内在关系建立变量预测模型，并以这些模型对测试样本的特征值的预测结果作为分类依据进行模式识别。而机械故障诊断就是一个模式识别过程，从振动信号中提取的特征值之间大都具有相互内在关系，因此VPMCD方法非常适合应用于机械故障诊断。但是VPMCD方法还有许多理论问题需要研究，其应用也仅限于生物学的模式识别。因此，项目拟对VPMCD方法的理论进行研究，解决其关键技术问题，并将该方法应用于机械故障诊断，研究解决用VPMCD方法对机械故障类别和工作状态进行分类的问题，在此基础上提出系统、完整的基于VPMCD的机械故障诊断方法。项目研究对模式识别方法的发展、机械故障诊断技术水平的提高都具有重要意义。

中文主题词：基于多变量预测模型的模式识别方法；旋转机械；故障诊断；特征提取与选择；改进VPMCD

英文摘要：

Variable predictive model based class discriminate；Rotating machine；Fault diagnosis；Feature extraction and selection；The improvements of VPMCD

英文主题词： Variable predictive model based class discriminate；Rotating machine；Fault diagnosis；Feature extraction and selection；The improvements of VPMCD

结论摘要：

项目对新的模式识别方法——基于多变量预测模型的模式识别（Variable predictive mode based class discriminate，简称VPMCD）方法进行了研究，该方法的实质就是充分利用特征值之间的内在变量关系，针对不同的系统或类别，建立反映类别特征值之间关系的数学预测模型，对被测试样本的特征值进行预测，以预测误差平方和作为判别分类依据进行模式识别，由于所建立的模型含有非线性模型，因此可以解决多变量描述的非线性系统模式识别问题。项目对VPMCD方法的理论进行了研究和完善，并将其引入机械故障诊断，提出了一系列基于VPMCD的机械故障诊断方法。主要研究成果有1.在对VPMCD理论研究的基础上，提出了多种VPMCD改进算法。（1）针对VPMCD在参数估计过程中存在的缺陷，分别提出了基于逐步回归、主成分回归、分位数回归和岭回归的VPMCD方法；（2）针对特征选择的要求和最小二乘回归的缺陷，提出了基于Wrapper模式的特征选择方法和基于稳健回归的变量预测模型模式识别方法；（3）从模型改进的角度出发，分别提出了基于Kriging的变量预测模型模式识别方法和基于改进多项式响应面法的VPMCD模型；（4）依据融合诊断的思想，采用最优权值矩阵加权融合预测值，分别提出了基于遗传模拟退火的变量预测模型和基于量子遗传算法优化的VPMCD智能诊断模型。2.将VPMCD方法应用于旋转机械故障诊断，提出了多种旋转机械故障诊断方法。（1）研究了VPMCD方法在旋转机械故障诊断中的应用。针对齿轮、滚动轴承和转子等典型零部件故障信号特征，分别引入样本熵、排列熵、模糊熵、独立分量分析和相关系数法，提出了一系列以VPMCD为分类器的旋转机械故障诊断方法；（2）将增量式和半监督理论应用于VPMCD模式识别方法中，有效地解决了小样本情况诊断的问题；通过半监督学习，使得 VPMCD充分利用未知样本中的有用信息，使得建立的预测模型更加真实，有效地提高了识别精度；（3）针对在旋转机械故障诊断中面临着故障样本缺乏或稀少的问题，提出了基于VPMCD的新异类检测方法—单类基于变量预测模型的模式识别方法；（4）将拉普拉斯特征映射算法和Kriging函数应用于VPMCD中进行故障诊断；（5）将VPMCD与高斯混合聚类算法结合起来，应用于滚动轴承的退化状态识别和寿命预测中。

成果综合统计