Laplacian双联最小二乘支持向量机用于早期故障诊断

摘要：

提出基于Laplacian双联最小二乘支持向量机(Laplacian Twin Least Squares Support Vector Machine,Lap-TLSSVM)半监督模式识别的新型早期故障诊断方法.用时、频域特征集广泛收集旋转机械不同早期故障的特征信息,再用提升半监督局部Fisher判别分析(Enhanced Semi-Supervised Local Fisher Discriminant Analysis,ESSLFDA)将高维时、频域特征集约简为具有更好类区分度的低维特征向量,并输入到Lap-TLSSVM中进行早期故障诊断.Lap-TLSSVM引入了包含大量无标签数据信息的流形规则实现半监督学习;其目标函数只含等式约束条件,且用共轭梯度法求解目标函数的线性方程组以加速训练过程.所提出的方法在训练样本非常稀少的情况下具有较高的诊断精度和计算效率.深沟球轴承早期故障诊断实验验证了该方法的有效性.

关键词：旋转机械、流形学习、Laplacian双联最小二乘支持向量机、半监督学习、故障诊断

所属期刊栏目：36

分类号：TH165.3;TN911.2

资助基金：国家自然科学基金青年基金51305283;中国博士后科学基金第60批面上资助项目2016M602685

在线出版日期：2017-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：85-92