周志才，刘东风，石新发

(海军工程大学 青岛油液检测分析中心，山东 青岛 266012 )

在工程实际中获得的机器信号往往含有噪声，且故障发生时机器不可能长时间运行，所得到的故障样本数量有限。为了更准确地识别机器的状态和故障，需通过多种物理量的特征信息进行判别，而利用高维小样本数据构造分类模型时容易产生过拟合现象。因此，故障特征信息的选取成为机械故障诊断的关键。

目前常采用主成分分析(Principal Component Analysis, PCA)对高维故障数据进行压缩，提取能较好反映故障信息的特征。PCA提取的只是原始特征中的线性成分，而在监测和诊断中反映机器状态的大量信息蕴含在数据的非线性成分中。文献[1-2]引入核函数概念，将低维不可分的非线性特征映射到高维可分空间，由此产生核主成分分析(Kernel Principal Component Analysis,KPCA)的概念。KPCA虽很好地考虑了非线性，但在提取新的分类特征向量时，未区别样本类内、类间信息，因此对于构建故障模式识别模型通常并非最优。

下文考虑采用一种能较好利用先验信息进行类间区分的非线性特征提取方法——核切片逆回归(Kernel Sliced Inverse Regression, KSIR)，阐述其基本思想和算法，同时采用KSIR和KPCA对轴承故障试验数据进行维数压缩和特征提取的对比分析，并讨论相关参数的选择对KSIR特征提取能力的影响。

1 KSIR的基本思想和算法

1.1 基本思想

切片逆回归(Sliced Inverse Regression, SIR)是由文献[3]提出的结合逆回归和PCA的算法，其在寻找最优投影方向时考虑输出变量(响应变量)和输入变量的信息，实现高维数据的综合降维。……