陈明月，刘三阳

西安电子科技大学 数学与统计学院，西安710126

近年来，为了降低目标空间的维数，人们提出了许多降维方法。如主成分分析法（Principal Component Analysis，PCA）[1]、线性判别分析法（Linear Discriminant Analysis，LDA）[2]等。这些方法均不能揭示数据的内在结构。而流形学习方法能够很好地表征事物流形[3]。本文主要运用流形学习这一特点，将其应用于机械故障检测领域，并取得了较好的效果。

故障检测的研究中已有许多成果，如文献[4-6]将时频分析法应用到故障检测邻域；文献[7]使用自适应多小波能够获得高灵敏度的故障特征；文献[8-9]通过高阶统计量法提取故障特征，这些方法均取得较好的效果。其中文献[10]提出了一种基于双谱纹理特征提取的故障诊断方法，这种方法能够很好地去除高斯噪声。随后，文献[11]提出了针对非高斯噪声的基于EMD和双谱分析的故障特征提取方法。文献[12-13]提出了自适应局部切线空间算法，能够自适应选择邻域大小，无需人工干预。

结合文献[10-13]方法的优点，本文提出了一种自适应流形学习的故障检测方法，这种方法能够有效地去除高斯和非高斯噪声，能够克服固有邻域的局限性，有效地提取低维特征。首先，介绍了故障特征提取的方法，以及降维的方法，接着描述了算法流程，并通过对加速度传感器采集的6205-2RSJEM SKF轴承驱动端的振动信号进行了故障类型和退化程度的识别与检测，证明了此算法的有效性。本文将这四种方法相结合，为滚动轴承的故障特征提取提供了一种新方法。……