杜 伟， 房立清， 齐子元

(陆军工程大学 火炮工程系，石家庄 050003)

机器设备故障诊断的实质是对设备的工作状态进行准确辨别。振动信号作为机械故障信息的重要载体，对其进行特征提取是机械故障诊断中的关键问题。随着非线性分析方法的出现，从各个角度描述信号本质属性的参数被广泛应用到机械设备故障诊断中。然而，从多角度提取故障特征往往会导致特征集包含非敏感特征和维数过高，影响故障诊断的效率和精度。因此，需要对高维特征集进行有效的维数约简。

流形学习是Tenenbaum等[1]提出的一种维数约简算法，能够充分挖掘高维特征集的本质结构。许多学者应用非线性流形学习算法对故障特征进行维数约简，在机械设备故障诊断中作了许多探索和研究。陈鹏飞等[2]将等距映射与局部线性嵌入算法相结合，通过对转子系统高维故障特征集进行降维，提高了故障诊断的精度；张前图等[3]通过提取时域信号在极坐标空间下的参数组建高维特征集，并利用线性局部切空间排列(LLTSA)算法进行维数约简，使滚动轴承故障信号的低维特征可分性更高。然而，非线性流形学习算法仍然无法消除非敏感特征的影响，因此需要在维数约简前进行敏感特征选择。

基于Fisher准则函数的线性判别分析(Linear Discriminant Analysis，LDA)[4]是一种有效的线性特征提取方法，其物理意义是将样本在最优投影轴上投影后的类间散度与类内散度之比作为可分性判据。为了克服LDA在……