基于半监督流形学习的非线性故障诊断方法研究

流形学习具有良好的非线性复杂信息处理能力，可用于解决具有非线性结构样本集的特征提取问题。本项目基于流形学习的思想，结合半监督学习策略，研究半监督流形学习理论与方法，探讨少量标签样本和大量无标签样本这一难题在非线性故障诊断中的解决方案，从基于数据几何分布的设备运行状态特征描述方法、基于半监督流形学习的故障特征提取方法以及基于半监督流形学习的非线性故障诊断系统模型三个层次入手，开展非线性故障诊断的理论与实践研究。通过本项目研究，可望揭示半监督流形学习的理论意义，建立一种实用有效的非线性故障诊断新方法，提高对设备故障的综合识别和诊断能力,为非线性机械系统的监测诊断与状态预测开辟有效途径，具有重要的理论意义和工程应用价值。

非线性故障特征的准确提取与表达对提高复杂机械设备复合故障诊断的准确率具有重要意义。项目以机电设备的非线性故障诊断及状态预测为工程应用背景，对应用于非线性故障诊断的半监督流形学习理论与方法进行了系统深入的研究。首先，基于流形学习思想，研究了基于数据几何分布的设备运行状态特征描述方法，构建了基于流形学习的故障特征提取与诊断模型；其次，针对采集振动信号的高维非线性特点，充分利用标签样本的监督信息和无标签样本的结构信息，提出了基于半监督流形学习的故障特征提取方法，有效地提取振动信号样本的非线性几何流形特征；此外，针对提取的低维流形特征进行的故障分类表达，利用LS-SVM算法对低维映射特征进行了有效分类，构建了基于子流形的多故障分类器模型。最后，将上述研究成果应用于离心空压机组和齿轮箱的特征提取和故障诊断分析，结果表明，所提出的理论和方法提高了对设备故障的综合识别和诊断的能力。通过本项目研究，建立了一种实用有效的非线性故障特征提取及诊断方法，为提高非线性机械系统的监测诊断与状态预测水平提供了进一步的理论和技术支持。