Resumen

La reducción de dimensionalidad es una tarea crucial en el diagnóstico de fallas de maquinaria. Recientemente, como una tecnología popular de reducción dimensional, el aprendizaje de variedades ha sido utilizado con éxito en muchos campos. Sin embargo, la mayoría de estas tecnologías no son adecuadas para la tarea, ya que son de naturaleza no supervisada y no logran descubrir la estructura discriminante en los datos. Para superar estas debilidades, se propone el algoritmo de discriminación lineal local con kernel (KLLD). El algoritmo KLLD es un algoritmo novedoso que combina la ventaja de las proyecciones que preservan vecindarios (NPP), Floyd, el criterio de margen máximo (MMC) y el truco del kernel. KLLD tiene cuatro ventajas. En primer lugar, KLLD es un método de reducción de dimensionalidad supervisado que puede superar los problemas de fuera de muestra. En segundo lugar, se puede evitar el problema de cortocircuito. En tercer lugar, el algoritmo KLLD puede utilizar de manera más eficiente la matriz dispers

• Materias:Interacción dinámica Efectos de amortiguamiento Velocidades críticas Control de vibraciones Amortiguador
• Subjects:Dynamic interaction Damping effects Critical velocities Vibration control Damper
• Palabras claves:Reducción de dimensionalidad; Diagnóstico de fallas en maquinaria; Aprendizaje de variedades; Discriminante lineal local con kernel; Reducción de dimensionalidad supervisada; Truco de kernel
• Keywords:Dimensionality reduction; Machinery fault diagnosis; Manifold learning; Kernel local linear discriminate; Supervised dimension reduction; Kernel trick