江　丽　郭顺生

武汉理工大学,武汉,430070



基于无监督判别投影的滚动轴承故障诊断

江丽郭顺生

武汉理工大学,武汉,430070

针对滚动轴承故障样本不平衡和故障特征存在冗余性问题，提出了基于无监督判别投影(UDP)的滚动轴承故障诊断方法。该方法首先从时域和时频域提取多个特征参数，从而构造一个原始的高维特征集，随后运用UDP算法从该特征集中提取最敏感的低维流形特征，最后利用K-近邻分类器识别出滚动轴承的运行状态。将该方法分别应用于轴承故障类型和内圈故障严重性的识别，并与传统方法进行了比较，验证了该方法的可行性和优越性。

故障诊断；特征提取；流形学习；无监督判别投影

0　引言

滚动轴承是现代工业设备中应用最广泛也最易失效的零件之一，其运行状态将直接影响到整台设备的可靠性、使用寿命和安全性。因此，滚动轴承的故障诊断对保障设备可靠运行、延长其使用寿命和避免重大事故具有重要意义[1-4]。为了全面获取滚动轴承的故障信息，常从多个角度提取较多的特征参数，但这会导致特征维数过高。另外，特征参数之间可能存在冗余性或不相关性，往往会降低后续分类器的诊断精度，因此，必须采用维数约简的方法，提取有利于轴承故障分类的低维融合特征[5-7]。

传统的维数约简方法，如主成分分析(principalcomponentanalysis，PCA)算法[8]和线性判别分析(lineardiscriminantanalysis，LDA)算法[9]，主要用于处理欧氏空间中具有全局线性结构的高维故障数据。然而，大多数机械零件的失效都伴随着非线性行为[10]。……