孙 斌，薛广鑫，陈 军，蒋能飞

(东北电力大学 能源与动力工程学院，吉林 132012)

从大量的振动数据中找出有效的特征信息是汽轮机运行状态在线监测和故障诊断的一个重要环节，故障特征提取关系诊断结果的准确程度。传统的转子状态监测和故障诊断方法主要是基于傅里叶变换和小波变换理论，傅里叶变换能够计算出信号时域或频域特征参数的统计结果，却无法同时兼顾时域和频域的全貌和局部化特征。小波变换在傅里叶变换的基础上增加了可调窗口的功能，被称为“数学显微镜”，然而小波基函数的长度有限，在变换过程中会产生能量泄露，小波基函数和分解尺度限制了分析频率的范围，缺乏自适应性[1－2]。

局部线性嵌入(Local Linear Embedding，LLE)是流形学习的一种，它的基本思想是发现隐藏在高维数据中不能直接观察的结构信息，获得一个能够保持高维数据特征的低维嵌入[3－5]。LLE算法只考虑一个全局最优解，在权值优化时只需对局部计算，在计算上简单可行;在求解低维嵌入时把问题转化为求解一个稀疏矩阵的最小特征值问题，使得LLE算法在运算效率上优于其他流形学习方法[6－8]。

本文采用了“原始信号－构造特征矩阵－数据降维(特征提取)－模式识别”的故障诊断模式，其中“数据降维”采用了局部线性嵌入方法，使用云神经网络完成模式识别。为了获得理想的低维嵌入，本文构造一个由振动信号组成的矩阵作为LLE算法的输入矩阵。与相空间的构造方法不同，是在原始信号中分段截取等长数据段并把它们组合成一个矩阵作为特征矩阵，最后用云神经网络对LLE算法得到的低维矩阵的分类效果进行测试[9－10]。……