基于改进DISOMAP的非线性动态故障诊断方法
为了充分挖掘高维采样数据的结构信息，提出一种基于改进动态等距离映射(IDISOMAP)流形学习的非线性故障诊断模型。该方法首先采用经典的主成分分析法（PCA）进行可视化一维主元提取，近似确定高维数据的稀疏分布，从而自适应获取采样点的近邻参数，其次采用流形距离代替欧氏距离进一步计算得到测地线距离，提取训练样本的子流形特征，随后运用标准化监控统计量2T和SPE实施故障检测，最后设立子流形综合相似度指标对故障数据进行模式匹配。TE过程的仿真结果表明，所提出的方法可以更为有效地检测到故障发生，并进一步对发生的故障进行识别。
非线性故障诊断模型 主成分分析法 稀疏分布 流形距离
张妮 田学民 蔡连芳
中国石油大学（华东） 信息与控制工程学院, 山东青岛 266580
国内会议
厦门
中文
1-6
2012-08-01（万方平台首次上网日期，不代表论文的发表时间）