刘远红, 刘 帆, 李 鑫

(1. 东北石油大学 电气信息工程学院, 黑龙江 大庆 163318； 2. 大庆钻探工程公司 钻井三公司, 黑龙江 大庆 163000)

0 引 言

随着科学技术的不断进步, 机械设备逐渐朝着智能化的方向发展, 对其运行的可靠性要求越来越高。为确保机械设备可靠稳定地运行, 必须对关键性部件进行状态监测和故障诊断。轴承作为机械设备中最为关键的部件之一, 其运行可靠性是设备正常、 稳定工作的前提, 因此对轴承的故障分析非常必要。

为尽可能地全面反映轴承故障信息, 需要各类传感器收集大量复杂的高维轴承运行数据。高维数据不仅增加了计算复杂度, 还造成了维数灾难。因此, 轴承故障诊断方法的核心问题是从高维数据中提取出显著特征[1]。近年来, 许多研究人员投入了大量的精力, 利用流形学习算法提取数据的重要特征。流形学习算法[2,3]通过在高维空间中挖掘数据集的内在几何结构, 并在低维空间中对该结构进行保持, 以实现数据维度的约简。一般来说, 流形学习算法大致可分为两类： 线性算法[4]和非线性算法[5]。经典的线性算法, 如主成分分析(PCA: Principal Components Analysis)[6]、 多维尺度缩放(MDS: Multidimensional Scaling)[7]、 线性判别分析(LDA:Linear Discriminant Analysis)[8]等通过构造高维和低维空间之间的线性函数, 从而可以很容易地将高维样本的数据投影到低维空间。非线性算法如等距特征映射ISOMAP(Isometric Mapping)[9]、 局部切空间排列(LTSA:Local Tangent Space Alignment)[10]和局部线性嵌入(LLE: Locally Linear Embedding)[11]等通过寻找局部结构降低数据集的维数。ISOMAP通过测地线距离测量成对距离, 并在低维空间中保留测地线距离。……