为了提高对齿轮非平稳、非线性故障振动信号的可分性及其故障诊断的准确性,并针对其高维数据样本的特点提出一种基于流形学习与LVQ的齿轮故障诊断模型。该模型首先利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法进行齿轮故障振动信号的分解,得到一系列固有模式函数(Intrinsic Model Function,IMF)分量。接下来对含有主要故障信息的IMF分量进行特征提取和选择并构造高维观测样本,再用流形学习等距特征映射(ISOMAP)算法对初步的高维观测样本故障特征进行进一步的提取并对特征属性的数量进行压缩,在保留齿轮故障特征的整体几何结构信息的同时降低了特征数据的复杂度,增强了齿轮故障模式识别的分类性能。最后通过学习矢量量化神经网络(Learning Vector Quantization,LVQ)根据样本的特征将样本划分到一定的类别中去从而实现模式识别。通过比较...

针对原始LLE难以发掘非平稳振动信号高维非线性、不均匀或存在“孔洞”的采样数据潜在几何分布特征,提出一种基于LLE及其改进算法的滚动轴承故障诊断模型。通过将计算欧氏距离改进的局部线性嵌入(LLE)算法应用于滚动轴承故障诊断模型,在邻域因子k取值比较小时的情况下就可得到良好的特征提取效果,扩大了模型参数k的选取范围,减少特征提取计算的时间;通过将监督学习线性判别分析(LDA)能保证投影后样本在新的特征空间具有最大的类间距离和最小的类内距离的基本概念应用于改进距离的LLE算法参数选择后对其降维结果的直观的验证处理上,来确保降维样本在新的特征空间具有最佳的特征可分离性。并与未改进LLE算法及传统线性降维方法PCA对比实验结果来验证基于改进距离LLE算法与离散度矩阵结合的故障诊断模型的优越性。