一种全局的无关线性图嵌入故障特征提取算法

《一种全局的无关线性图嵌入故障特征提取算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、2013年3月北京航空航天大学学报March2013第39卷第3期JournalofBeijingUniversityofAeronauticsandAstronauticsV01．39No．3一种全局的无关线性图嵌入故障特征提取算法唐荻音于劲松陈雄姿王宏伦(北京航空航天大学自动化科学与电气工程学院，北京100191)(北京航空航天大学无人驾驶色行器设计研究所，JLY,100191)摘要：针对故障特征数据维数高、非线性且系统难以建立物理模型的故障诊断问题，提出了一种全局的无关线性图嵌入故障特征提取算法．通过监督学习建立原始特征的关系图，以线性图嵌入为框架进行特征降维．特征的降维过程既保留

2、了同类数据的局部结构，又考虑了异类数据之间的全局分布，同时最大程度地消除了特征之间的统计相关性．在标准故障数据集上的实验结果表明：与已有的经典算法相比，能更有效地提取出故障的典型特征，因而更有利于故障诊断系统训练网络的快速收敛，实现快速、准确的故障诊断．关键词：故障诊断；特征提取；统计不相关线性图嵌入中图分类号：TP183文献标识码：A文章编号：1001．5965(2013)03-0411-05Globality。baseduncorrelatedlinearextensionofgraphembeddingforfaultfeatureextractionTangDiyinYuJins

3、ongChenXiongzi(SchoolofAutomationScienceandElectricalEngineering．BeijingUniversityofAeronauticsandAstronautics，Beijing100191．China)WangHonglun(ResearchlnstituteofUnmannedAerialVehicle，Beiji“gUniVersityofAeronauticsandAstronauties，Beijing100191，China)Abstract：Systematicapproachtoextractthemosteffe

4、ctiveinformationfromoriginalfeaturesisofgreatimportanceandefficiencyforfaultdetectionwherephysicalmodelingishighlydifficultandtheoriginalfeaturesarehighlydimensionalandnonlinear．Analgorithmnamedglobality—baseduncorrelatedlinearextensionofgraphembeddingforfaultfeatureextractionwasthereforeproposed

5、．Supervisedlearningwasusedtoestablishtherelationshipbetweenoriginalfeatures，andthelinearextensionofgraphembeddingwasadoptedasthelea—tureextractionframework．Greateffortsweretakentocombinethelocality．-preservingpropertiesinsidetheclassesandglobaldistributionbetweendifferentclasses，inordertodiscover

6、boththelocalandglobalstructureoforiginalfeatures．Informationredundancywasgreatlyreducedbyeliminatingthestatisticcorrelationbetweenextractedfeatures·Experimentalresultsonstandarddatasetdemonstratethesuperiorityofthisproposedalgo—rithmtomanyclassicalfeatureextractionmethods．Thus．abetterefficiencyin

7、theconvergenceoftrainingnet—workandinthefauhdetectioncanbeachieyed．Keywords：faultdetection；featureextraction；uncorrelatedlinearextensionofgraphembedding随着系统的复杂化，基于数据驱动的故障诊断方法‘1；在实际应用中越来越体现出了其难以被替代的价值．数据驱动的故障诊断方法常用于样本数量