کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6953585 1451821 2019 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Machine health monitoring based on locally linear embedding with kernel sparse representation for neighborhood optimization
ترجمه فارسی عنوان
نظارت بر سلامت ماشین براساس تعبیه خطی محلی با نمایشگر نزولی هسته برای بهینه سازی محله
کلمات کلیدی
نمایندگی انبوه هسته، یادگیری منیفولد، تعبیه خطی محلی، همسایگی سازگار، تشخیص خطا گیربکس،
ترجمه چکیده
منیفولد به عنوان یک سطح کم بعدی جاسازی شده در یک فضای بردار ابعاد در نظر گرفته شده است و یادگیری چندگانه این است که این سطح را بر مبنای نقاط داده شده نمونه برداری شده از این فضای برداری پیدا کند. ساخت و ساز محله یک گام مهمی در یادگیری چندگانه برای حفظ ارتباط محلی داده ها، به عنوان مثال، همسایگان و وزن های اتصال است. روش های جاری برای یادگیری چندگانه، از جمله تعبیه خطی محلی، طرح ریزی حفاظت از محل، و غیره، فرض محله ثابت و خطی را در نظر می گیرند، بنابراین در شرایط سازگاری برای برخورد با حالت های غیرخطی سیستم ناشی از تغییرات در وضعیت ماشین یا عملیات، فاقد سازگاری است. برای غلبه بر این محدودیت، یک روش یادگیری پیشرفته چند منظوره با استفاده از بازنمایی نزولی هسته برای تعیین همسایگان داده ها و اتصال وزن توسعه می یابد. این روش یادگیری پیشرفته چند منظوره اطلاعات را به یک فضای مشخصی که در آن یک تابع هسته برای نشان دادن داده ها توسط همسایگان به صورت غیر خطی به کار رفته است، نشان می دهد. تعدادی از همسایگان داده ها و وزن های اتصال به صورت سازگار با نمایندگی نادرست هسته تعیین می شوند. مشخص شده است که این روش توسعه یافته قابلیت تلفیق ویژگی های مرتبط با دولت و حذف ویژگی های اضافی را دارد، بنابراین برای کاهش ابعاد و استخراج ویژگی بیشتر از یادگیری چندجملهای سنتی مؤثرتر است. تجزیه و تحلیل با استفاده از داده های ارتعاش اندازه گیری شده در یک گیربکس با گسل های متعدد در درجه های مختلف شدت عملکرد روش توسعه را تایید کرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
پیش نمایش مقاله
نظارت بر سلامت ماشین براساس تعبیه خطی محلی با نمایشگر نزولی هسته برای بهینه سازی محله
چکیده انگلیسی
Manifold is considered to be a low dimensional surface embedded in a high dimensional vector space, and manifold learning is to find this surface based on data points sampled from this vector space. Neighborhood construction is a critical step in manifold learning to retain local relationship of data, i.e., neighbors and the connection weights. Current methods for manifold learning, including locally linear embedding, locality preserving projection, etc., assume fixed and linear neighborhood, thus lacking in adaptability for handling nonlinear system states caused by variations in machine condition or operation. To overcome this limitation, an enhanced manifold learning method is developed by utilizing kernel sparse representation to determine data neighbors and connecting weights. This enhanced manifold learning method maps data into a feature space where a kernel function is adopted to represent data by its neighbors nonlinearly. The number of data neighbors and connecting weights are determined adaptively by kernel sparse representation. It is found that the developed method enables state-related feature fusion and redundant feature elimination, thus is more effective for dimensionality reduction and feature extraction than traditional manifold learning. Analysis using vibration data measured on a gearbox with multiple faults of varying severity degrees confirmed the performance of the developed method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Mechanical Systems and Signal Processing - Volume 114, 1 January 2019, Pages 25-34
نویسندگان
, , , , ,