赵荣珍, 常书源

(兰州理工大学 机电工程学院, 甘肃 兰州 730050)

旋转机械广泛应用于机械制造、电力等许多重要领域,一旦发生故障会导致突然停机,造成重大经济损失,甚至威胁人身安全[1].转子作为旋转机械的核心部件,它的故障是造成旋转机械故障的重要原因[2].因此,对转子系统进行故障诊断具有重要的现实意义.

故障诊断本质上是故障模式辨识,而故障模式辨识的效果受制于前期的特征提取.随着数据获取和存储技术的长足发展,描述故障状态的特征维度也在不断地增加,导致在对故障状态敏感的特征中混杂了大量的冗余信息,不同故障的特征属性交互重叠,这为人工智能的模式识别带来了极大的挑战.因此,需要对高维数据进行有效的维数约简[3].

特征选择是降低数据维数的一类重要方法,能够在提供足够多分类信息的同时避免特征数目过多而引起维数灾难[4].在特征选择方法中，较典型的有Fisher分值(fisher score,FS)[5]、方差分值[6]、拉普拉斯分值(Laplacian score,LS)[7]等.其中,FS是一种监督式特征选择算法,它仅仅关注特征的区分能力,以区分能力为标准筛选特征,但没有考虑特征的局部信息保持能力.方差分值是最简单的无监督特征选择算法,它认为特征的方差越大表示能力就越强,但它只用了特征的统计特性,并没有关注数据的流形特性.LS是一种以局部保持投影[8]和拉普拉斯映射[9]为基础,结合特征的方差和局部信息保持能力来进行无监督特征选……