石明宽， 赵荣珍

（兰州理工大学机电工程学院 兰州，730050）

引 言

对旋转机械进行故障诊断时，为了获得可信度高的诊断结果，必须尽可能多的获取故障信息［1］。通常采用多个传感器进行多通道的监测，提取出多通道、多域的故障特征对故障进行全面描述［2］。这导致了大量的冗余信息和高度相关的信息形成了“维数灾难”，不仅加重了分类器的工作负担，同时也很难得到满意的诊断结果［3］。因此，对数据结构优化的数据降维问题进行研究，对于推动智能决策技术向工业大数据驱动的方向发展具有良好的促进作用。

局部保持映射（locality preserving projection，简称LPP）［4］是对传统拉普拉斯特征谱（Laplacian Eigenmap，简称LE）［5］嵌入进行线性化近似的结果，其继承了LE 算法保持样本局部邻域结构不变的特点，同时解决了样本外点学习能力不强的缺点。LPP 本质是无监督算法，忽略了有利于分类的判别信息，在投影之后会出现样本点重叠，分类时容易出现错分现象。线性判别分析（linear discriminant analysis，简 称LDA）［6］的 基 本 思 想 是 通 过 最 大 化Rayleigh 商的方式，实现类间散度最大的同时使类内散度最小，寻找一个最佳判别投影矩阵，从高维特征集中提取出最具有判别能力的低维敏感特征子集，使得同类特征聚集更紧密，异类特征更分散。这种基于Rayleigh 商的降维方法能够突出故障数据集之间的判别信息，在故障模式识别中具有一定的优势［7］。LDA 是基于保持全局结构信息的降维算法，忽略了特征集的局部几何结构信息，而局部几何结构信息更能反映数据的几何结构［5］，且LDA 容易产生小样本问题。……