期刊专题

10.16450/j.cnki.issn.1004‑6801.2023.01.020

改进LPCDA算法及其在旋转机械故障诊断中的应用

引用
针对高维故障数据集中有效信息利用率低导致故障分类难度偏大的问题,提出一种线性主成分判别分析(linear principal component discriminant analysis,简称LPCDA)的故障数据集降维算法.该算法将类间可分性判别与主成分计算的思想融入线性判别分析(linear discriminant analysis,简称LDA)算法中,使算法拥有剔除相关信息和冗余特征的能力,从而可以更好地保留能够反映机械运行状态有价值的故障状态信息以及特征的主要成分.实验结果表明,本算法能够剔除高维故障数据集中的相关信息、冗余特征并保留特征主要成分,具有降低故障分类难度与提高自动辨识准确率的功能.该研究可为有效降低高维故障数据集的规模和故障的分类难度、提高有效信息的挖掘能力,提供了理论参考依据.

线性主成分判别分析、线性判别分析、可分性、降维

43

TH133.33;TH165

国家自然科学基金;兰州理工大学红柳一流学科建设资助项目

2023-03-07(万方平台首次上网日期,不代表论文的发表时间)

共7页

132-138

暂无封面信息
查看本期封面目录

振动、测试与诊断

1004-6801

32-1361/V

43

2023,43(1)

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn