刘永斌，何清波，吴 强，李 鹏，胡 飞，孔凡让

(中国科学技术大学 精密机械与精密仪器系，合肥 230026)

机械设备如齿轮箱、轴承、发动机等在工业应用中扮演着非常重要的角色。设备状态诊断可以及时有效地辨识设备状态，减少设备停机，保证设备高效运行。振动信号蕴含着丰富的设备状态信息，适合于提取可靠的特征进行状态识别［1]。目前振动信号的时域、频域和时频域特征提取技术得到了很大发展，研究者总希望提取更多的有效特征参数进行故障分类和诊断。但是采用特征参数太多会影响模式分类的计算代价甚至分类精度［2]。而且它们所反映的状态规律性、敏感性，和模式聚类性、可分性并不相同，在特征分析基础上提取规律性好、敏感性强的特征表示非常需要且极具挑战性［2，3]。

主分量分析(Principal component analysis，PCA)是一种通用的多元统计方法，在信息压缩和数据相关性消除方面非常有效，被广泛用于人脸、字符等特征提取中［4，5]。PCA的这些优点也被引入设备状态监测与诊断中。Malhi［2]基于PCA提出一种特征抽取方案以保证从多个原始特征中选择最有效的特征来进行轴承状态分类。Baydar［6]运用基于PCA的多元统计方法建立了一个正常状态模型进行齿轮箱状态监测。He［7]探讨了设备状态监测中主分量特征的有效选取。同时，子空间法模式识别也具有很多优点，它可以将特征提取和模式分类两步合在一步内完成，计算方便快捷［8]。本文结合PCA和子空间法研究基于主分量子空间的设备状态诊断，探讨两种主分量子空间结构来表达和分类设备的状态。……