江　丽　郭顺生

武汉理工大学，武汉，430070



基于半监督拉普拉斯特征映射的故障诊断

江丽郭顺生

武汉理工大学，武汉，430070

摘要：针对有标记故障样本不足和故障数据高维非线性的问题，提出了基于半监督拉普拉斯特征映射(LE)算法的故障诊断模型。该模型运用LE算法，直接从原始高维振动信号中提取低维流形特征，并将其输入到基于LE的半监督分类器，从而识别出机械设备的运行状态。与传统方法相比，该模型能明显提高滚动轴承和齿轮的故障识别性能。

关键词：故障诊断；特征提取；流形学习；半监督拉普拉斯特征映射

0引言

现代机械设备的故障数据往往呈现出海量、高维、非平稳性、非高斯分布和结构非线性的特征[1-4]。如何从高维非线性故障数据中，提取能反映其运行状态的低维故障特征，具有重要的理论意义和工程应用价值。

传统的非线性特征提取算法，如核主成分分析(kernel principal component analysis，KPCA)算法[5]没有考虑样本的类别信息，核判别分析(kernel discriminant analysis，KDA)算法[6]要求故障数据服从高斯分布。自组织特征映射(self organizingmaps, SOM)算法[7]计算复杂度比较高，在循环迭代寻优过程中易陷入局部极值。另外，它们大多在欧氏空间分析故障数据，不能充分挖掘蕴含在高维数据中的潜在信息。流形学习能很好地挖掘非线性数据中的潜在几何结构和内在规律，为基于数据几何结构驱动的机械故障诊断技术开辟了新思路[3-4,8-12]。

从机械设备获取大量有标记样本费时费力，但传统的机械故障分类，需要利用大量有标记样本训练分类器。……