文献类型：期刊文章

作　　者：黄林[1] 刘善君[2] 王伟[3] 龚立[1]

Huang Lin;Liu Shanjun;Wang Wei;Gong Li(Ship Comprehensive Test and Training Base Simulation training center,Navy University of Engineering,Wuhan 430033,China;Electromechanical Teaching and Research Section,PLA 91447 Troops,Dalian 116041,China;PLA 91278 Troops,Dalian 116041,China)

机构地区：[1]海军工程大学舰船综合试验训练基地模拟训练中心,湖北武汉430033 [2]中国人民解放军91447部队机电教研室,辽宁大连116041 [3]中国人民解放军91278部队,辽宁大连116041

出　　处：《系统仿真学报》

基　　金：国家自然科学基金(51879269)。

年　　份：2024

卷　　号：36

期　　号：6

起止页码：1334-1343

语　　种：中文

收录情况：BDHX、BDHX2023、CAS、CSCD、CSCD2023_2024、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：现代工业生产设备通常结构复杂并交替运行于不同工况,基于监测数据进行准确的工况识别是对系统进行健康监测的基础,但系统的监测数据通常维度较高、数据量较大。针对设备复杂工况的识别问题,提出了一种基于随机邻域嵌入的无监督工况识别方法。采用随机邻域嵌入算法,能够保留数据的局部和全局结构特性;计算了高维和低维空间中数据点的概率相似性,可实现设备高维监测数据的降维和无监督聚类,在不建立系统模型的基础上达成准确识别系统工况的目的。结果表明:该方法可有效实现高维监测数据的复杂工况识别,是一种有效的无监督聚类学习方法。

关 键 词：随机邻域嵌入  无监督  工况识别  降维 聚类

分 类 号：TP391.9]