姜景升， 王华庆， 柯燕亮， 向 伟

(北京化工大学 机电工程学院， 北京 100029)

基于LTSA与K-最近邻分类器的故障诊断

姜景升， 王华庆， 柯燕亮， 向 伟

(北京化工大学 机电工程学院， 北京 100029)

针对局部切空间排列算法(LTSA)的效果受近邻数k值影响较大的缺点，提出基于聚类准则的LTSA与K-最近邻分类器的故障诊断模型。基于振动信号的时域特征构建高维特征矩阵；对高维矩阵进行标准化预处理，依据聚类准则确定局部切空间排列中的最佳近邻数k，运用LTSA提取高维矩阵的低维特征向量；将提取的低维特征向量利用K-最近邻分类器进行故障模式识别。采用轴承诊断实验系统进行验证，结果表明，基于聚类准则的优化方法可有效地克服近邻数k选择的盲目性，提高了局部切空间的降维精度和故障模式识别正确率，其在轴承时域特征维数约简方面，效果优于主成分分析(PCA)与拉普拉斯特征映射(LE)，适用于轴承故障诊断。

局部切空间排列； K-最近邻分类器； 聚类准则； 故障诊断

早期人们通常利用时域特征参数分析来进行故障特征提取，然后利用神经网络进行故障模式识别[1-2]。然而对于复杂工况下的轴承故障，单一的时域特征无法准确全面地描述故障特征，而高维特征矩阵的非线性信息中又存在冗余信息，直接对高维数据进行处理会碰到很多问题，除计算量和存储量大、数据可视性差、包含多种噪声外，其中最突出的问题就是容易造成维数灾难(Curse of Dimensionality)[3-5]。必须人工去除冗余信息，提取主要特征。……