王雪冬, 赵荣珍, 邓林峰(兰州理工大学 机电工程学院，兰州　730050)



基于KSLPP与RWKNN的旋转机械故障诊断

王雪冬, 赵荣珍, 邓林峰(兰州理工大学 机电工程学院，兰州730050)

摘要：针对旋转机械高维故障特征集识别精度低的问题，提出基于核监督局部保留投影(Kernel Supervised Locality Preserving Projection, KSLPP)与ReliefF特征加权的K近邻(ReliefF Weighted K-Nearest Neighbor, RWKNN)分类器相结合的维数约简故障诊断方法。该方法首先应用KSLPP提取故障特征集中的非线性信息，同时在降维投影过程中充分利用类别信息，使降维后最小化类内散度，最大化类间分离度；随后，将降维后得到的低维敏感特征集输入RWKNN进行模式识别，RWKNN能够突出不同特征对分类的贡献率，强化敏感特征，弱化不相关特征，提升了分类精度和鲁棒性。最后，通过典型转子实验台的故障特征集验证了该方法的有效性。

关键词：故障诊断；核监督局部保留投影；ReliefF特征选择；加权K近邻分类器

在进行复杂旋转机械故障诊断时，为了获得较高的诊断精度，就必须获取尽可能多的故障信息[1]。此时基于多通道、多域(时域、频域及时频域)的故障诊断模式具有较强优势。然而，该模式在获得有效信息的同时还将引入大量的非敏感及干扰特征，无疑会增加分类器学习、训练的时间及空间复杂度，甚至降低分析处理的精度[2]。因此如何获取低维敏感特征子集的数据降维问题已成为基于数据驱动故障诊断的一个重要研究方向。

局部保留投影(Locality Preserving Projection, LPP)作为流形学习中的一种线性算法，既解决了主元分析(Principal Component Analysis, PCA)、Fisher判别分析……