石明宽　赵荣珍

摘要： 针对旋转机械故障特征集非线性强、维数过高导致分类困难的问题，提出一种基于局部质心均值最小距离鉴别投影（Local Centroid Mean Minimum?distance Discriminant Projection，LCMMDP）的故障数据集降维算法。该算法在考虑样本的内聚性和分离性的同时，能够保持样本局部几何结构信息，反映样本与局部质心均值之间的近邻关系。从多个角度提取机械振动信号的混合特征，构建原始高维特征集，通过LCMMDP提取出低维敏感特征子集，利用改进的基于局部均值与类均值的k?近质心近邻分类算法（k?nearest Centroid Neighbor Classification Based on Local Mean and Class Mean，KNCNCM）进行故障模式识别。所提方法集成了LCMMDP在维数约简和KNCNCM在模式识别的优势，可得到较高的故障识别准确率。分别使用一个双转子系统数据集和仿真数据集验证了该方法的有效性。

关键词： 故障诊断; 降维; 局部质心均值; 分类器; 模式识别

中图分类号： TH 165+3; TN911.7    文献标志码： A    文章编号： 1004-4523（2021）02-0421-10

DOI：10.16385/j.cnki.issn.1004-4523.2021.02.023

引 言

旋转机械在现代机电系统中起着至关重要的作用，因此对旋转机械进行状态监测和故障诊断具有极其重要的意义[1]。为了尽可能多地获取故障信息，通常采用多个传感器进行多通道的监测，提取出每个通道的多域故障特征，必不可避免地导致了大量的冗余信息和高度相关的信息形成的“维数灾难”问题[2]。因此，如何消除高维数据中的冗余信息，使通过积累获得的海量故障数据资源拥有开发利用的价值，已成为当今机械信息技术所面临的基本问题。

伴随着大数据技术的快速发展，数据降维已成为数据科学研究领域关注的热点问题。……