首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 235 毫秒
1.
基于PCA和BP网络的液压油缸内泄漏故障诊断   总被引:2,自引:0,他引:2  
针对液压油缸内泄漏故障诊断时,由于提取的时域参数过多,导致诊断速度慢、实时性差等问题,提出基于主成分分析(PCA)和BP神经网络的诊断方法.该诊断方法是:首先提取压力信号的时域参数作为初始特征,然后利用PCA方法将高维初始特征空间压缩到低维最终特征空间,并将得到的最终特征输入到BP神经网络进行故障模式识别.研究结果表明:该诊断方法在满足故障检测识别率的同时提高了诊断速度,为液压油缸内泄漏的故障诊断提供了一种实用方法.  相似文献   

2.
针对不同故障特征属性交互重叠导致的故障类别辨识困难问题,提出一种基于Manhattan距离作为特征之间相似度信息测度的权值判别拉普拉斯分值特征选择方法.该方法采用Manhattan距离衡量高维特征矢量之间的相似度,并将数据样本标记信息融入权值计算中以增强权值的判别性,提升了LS算法的敏感特征筛选性能.将M-WDLS和主成分分析相结合,提出基于M-WDLS和PCA的转子故障诊断方法.首先提取原始振动信号的时域、频域、时频域特征构造混合域特征集;然后利用M-WDLS选择敏感特征组成敏感特征矩阵;最后对敏感特征矩阵进行PCA降维处理,并将结果输入到K-近邻分类器中进行模式识别.对比实验的结果表明,该方法能有效提取转子系统振动信号的状态特征,有助于提高故障辨识的准确率.  相似文献   

3.
针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.  相似文献   

4.
针对齿轮非平稳时变特性以及特征提取过程中维数多等特点,本文提出基于主成分分析(Principal Component Analysis,PCA)和分层时序记忆法(Hierarchical Temporal Memory,HTM)结合的方法。首先从EMD分解和无量纲两个方面提取故障特征;其次,利用PCA方法对提取的数据进行降维处理从而避免维数灾难,提高诊断精度;最后利用HTM方法进行模式识别。HTM具有抗噪性、自适应、泛化能力强等特点,可以很好地处理含噪数据的同时保证较高的识别率。实验结果表明两者结合的方法能够快速区分各种故障类型,提高齿轮故障诊断率,为齿轮故障诊断的应用提供了新的思路。  相似文献   

5.
在阿尔茨海默病(Alzheimer′s disease,AD)诊断方法中,通过对脑图像分析已成为准确诊断的一种重要手段.针对从单一脑图像模态磁共振图像(MRI)中提取的特征,提出了一种基于主成分分析(PCA)和线性鉴别分析(LDA)融合的AD分类识别算法.该方法首先对从MRI中获取的特征进行PCA,对低维的特征进行LDA获取组合特征向量,并采用最邻近算法,利用获取的组合特征向量对未知状态类型进行分类识别.实验表明,该算法与其他相关算法相比,具有较高的识别准确率、敏感性、特异性,这说明了算法的有效性.  相似文献   

6.
为了提高动态过程质量异常模式识别的精度,提出一种基于主元分析的多特征融合方法.首先提取出样本数据的统计特征和几何特征;接着将混合的多种特征进行PCA处理,提取出主元特征向量;然后利用粒子群算法寻找SVM分类器的最优参数;最后,通过仿真实验与其他识别方法进行对比,实验结果表明:本文提出的多特征PCA融合方法具有较高的识别精度,为质量异常模式识别研究提供了新的方法.  相似文献   

7.
针对采煤机智能化截割时存在煤岩识别精度低、稳定性差等问题,提出一种基于高光谱成像技术的煤岩检测方案。使用8种不同类型的煤岩样本(训练集800块、预测集200块)进行分析,利用竞争性自适应重加权算法将光谱全波段降维至11个特征波长形成光谱特征向量;通过灰度共生矩阵来描述煤岩的纹理特征,选取对比度、能量、同质性3个特征参数值作为纹理特征向量;通过主成分分析融合剔除光谱与纹理特征中解释能力较差的特征信息,利用预测集样本分别对光谱全波段、CARS提取特征波长、图像纹理、CARS提取特征波长融合纹理特征、光谱全波段融合纹理特征和PCA融合特征波长与特征纹理特征的特征向量建立偏最小二乘回归模型,通过对比6种特征向量的建模预测性能,选出煤岩最优特征向量。PCA算法融合后特征向量预测性能的R_2,RMSE,平均绝对误差MAE和准确率分别为0.912,0.201,0.151和94%.该方法可改善煤岩特征信息检测的稳定性与可靠性,为煤岩识别提供有效的特征信息,对实现采煤机智能化开采具有重要意义。  相似文献   

8.
研究了利用从扬声器响应信号中提取特征进行扬声器故障识别的方法.首先通过小波包分解及重构得到扬声器响应信号的初始特征;然后利用主分量分析(Principal Component Analysis,PCA)的方法对初始特征进行降维处理,并得到最终特征;设计神经网络分类器,并将得到的最终特征输入分类器进行识别.实验表明,该特征提取方法在满足扬声器故障检测识别率的同时,降低了特征提取过程中的计算量,为扬声器故障诊断提供了一种实用方法.  相似文献   

9.
基于LBP和PCA特征提取的人脸识别   总被引:2,自引:0,他引:2  
为有效解决局部二元模式(LBP)在人脸识别特征提取时维数过高的问题,提出了一种结合LBP特征和主成分分析(PCA)的人脸识别方法.首先,对人脸图像进行分块,提取其LBP直方图特征,然后使用PCA方法对特征向量进行降维,最后将降维后的特征向量用于识别.在FERET人脸库上的实验结果表明:相对于原始LBP表达方法,结合LBP和PCA的人脸表达能有效降低计算复杂度,同时也较好地保持了原有识别精度.  相似文献   

10.
提出一种基于半监督思想PCA-LPP的流形学习维数约简故障辨识方法,兼顾PCA的全局结构和LPP的局部结构保持以及样本的类别信息,构造新的投影矩阵目标函数,给出PCA-LPP流形学习算法的计算原理。采用UCI中wine数据集验证半监督PCA-LPP方法的维数约简性能,并就齿轮箱故障声发射实验信号,以小波包能量熵作为特征向量,并将特征向量的降维结果输入支持向量机进行故障类型辨识。研究结果表明:半监督PCA-LPP方法的降维结果,能够充分考虑不同故障特征向量的差异信息,相应的故障类型辨识精度高于PCA及LPP方法。  相似文献   

11.
针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.  相似文献   

12.
针对采用物理建模刻画三元催化器故障演化精确性不足问题,提出一种基于尾气大数据的改进测度模糊C均值(FCM,fuzzy c-means),故障诊断方法。该方法包括分数阶傅里叶变换(FRFT,fractional fourier transform)下的故障特征提取与优化、核熵成分分析(KECA,kernel entropy component analysis)下的分形故障特征降维以及改进相似测度下的FCM故障特征聚类。首先,对不同工况的尾气数据进行FRFT处理,获取三元催化器从时域到频域的精细故障信息,同时利用粒子群算法(PSO,paticle swarm optimization)选取最优的FRFT特征,并由分形算子给出相应精细特征的分形维数;其次,借助KECA对候选的高维分形特征进行维数约简;最后,将获得的故障特征提交给改进测度的FCM故障分类器完成故障诊断。数值实验结果表明,较之采用欧式距离或余弦距离的FCM方法,研究方法的故障诊断精确度更高。  相似文献   

13.
针对电主轴系统特点,提出基于改进核主元分析(KPCA)的故障检测方法,引入混合核函数的定义,将多项式核和径向基核的混合核方法与主元分析方法(PCA)相结合,解决采用单一核函数诊断故障时的高误诊率问题.首先对数据进行预处理,然后使用混合核函数对数据矩阵进行映射,映射到高维特征空间,使非线性数据变量变为线性数据变量,并使用PCA提取变量数据的高维空间相关特征确定主元个数,最后根据混合非线性主元特征计算出的T2和Q统计量,实现在线故障检测.该方法改进传统核函数的选取方法,充分考虑工业过程中的非线性,更精确地描述工业过程特性,可以准确、有效地检测出电主轴系统故障.对田纳西-伊斯曼(TE)过程以及电主轴系统的应用实例证明该方法的可行性.  相似文献   

14.
为解决机械故障小样本模式识别问题,有效地提高分类的准确率,提出了一种基于经验模式分解模糊特征提取的支持向量机混合诊断模型.该模型通过对信号进行经验模式分解,提取信号的本征模式分量并转化为模糊特征向量,对机器故障进行诊断,然后将模糊特征向量输入到多分类的支持向量机中,实现了对机器不同故障类型的识别.将该模型应用于汽轮发电机组的3种工作状态的识别中,测试结果表明,同原有的未经过任何特征提取以及经过小波包模糊特征提取的2种多分类支持向量机方法相比,该模型将分类准确率从原有的53.33%和86.67%提高到100%,有效地改善了分类的准确性.同时,该模型还为汽轮发电机组的故障确诊提供了有力依据.  相似文献   

15.
针对单一声学特征无法精准高效地辨识说话人身份的问题,提出了一种基于多特征I-Vector的说话人识别算法.该算法首先采集不同的声学特征并将其构成一个高维特征向量,然后通过主成分分析法有效地剔除高维特征向量的关联,确保各种特征之间正交化,最后采用概率线性判别分析进行建模和打分,并在一定程度上降低空间维度.在TIMIT语料库上利用Kaldi进行实验,算法运行结果表明,该算法较当前流行的基于I-Vector的单一梅尔频率倒谱系数和感知线性预测系数的特征系统在等错误率上分别提高了8.18%和1.71%,在模型训练时间上分别减少了60.4%和47.5%,具有更好的识别效果和效率.  相似文献   

16.
为有效解决PT燃油系统进油油路堵塞、滤清器泄漏、喷油器油路堵塞等多种典型故障诊断问题,提出了基于核主元分析(KPCA)和最小二乘支持向量机(LSSVM)的故障识别方法。首先计算油压信号的时域特征集,然后采用KPCA对原始多维初始特征向量进行特征提取,最后将经过KPCA提取的主特征向量输入经多种群遗传算法(MPGA)优化的LSSVM中实现故障类型的识别。实验结果表明,KPCA提取的主特征向量有效表达了原始故障的特征信息,相比于传统的BP神经网络和未经参数优选的LSSVM等分类模型,基于KPCA-LSSVM的故障识别方法速度更快、分类准确率更高。  相似文献   

17.
针对模拟电路信号的非线性特征,提出一种基于局部保持映射和隐马尔科夫模型的故障模式识别新方法. 首先提取模拟电路的信号特征构成原始高维特征样本空间;然后采用LPP算法将原始高维故障数据映射至低维空间,提取数据的内在流形特征作为特征矢量;最后通过构建混合HMM反映系统的真实状态,并作为分类器实现对各状态的分类识别. 通过仿真分析,将该方法与其他方法进行对比,结果表明,LPP-HMM方法可以有效识别早期故障特征,具有较高的故障识别率.   相似文献   

18.
针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率.  相似文献   

19.
为了提高滚动轴承的故障诊断率,提出了一种经验模态分解(EMD)结合时域分析后使用主成分分析(PCA)融合特征量的特征提取方法。首先,通过EMD分解得到前五个本征模态函数(IMF)分量的上、下包络值矩阵的奇异值;然后,对轴承原始信号进行时域分析得到各种时域特征参数;最后对奇异值和时域特征参数使用PCA降维融合后输入到多分类支持向量机(SVM)中进行分类。通过实验仿真验证,融合后的特征量诊断准确率达到了98.6%,该方法能充分地提取出轴承故障特征信息,诊断效果良好。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号