一种基于非线性流形学习的故障特征提取模型

蒋全胜，李华荣，黄 鹏

(1.巢湖学院 电子工程与电气自动化学院，巢湖 238000;2.东南大学 机械工程学院，南京 211189)

目前，大型机械设备的结构与工作状况的复杂性及其非线性特性日益突出，设备运行监测数据蕴含了机械设备在整个运行历程中的所有信息，如何从这些数据中提取有效特征信息，判定设备的运行状态并对所发生的故障进行准确诊断，对于现有的故障诊断方法提出了新的考验[1]。

特征提取是机械故障诊断的核心问题，也是进行故障模式识别的基础。如何选择和提取最有效的故障特征，不仅可以节省测试成本，还直接影响故障诊断的精度。随着现代信号处理方法的不断发展，一些新的特征提取方法相继被提出。魏中青等[2]采用基于MLE阈值规则的小波特征提取技术对气阀早期故障弱冲击变化信号进行特征提取，实现了气阀故障的早期预警。夏天等[3]对柴油发动机曲轴轴承采用基于高阶累积量的故障特征提取方法，能够有效地抑制噪声的干扰，较好地反映曲轴轴承的技术状态。潘宏侠等[4]针对齿轮传动箱故障特征选择问题，提出了基于粒子群优化算法的特征提取方法，进一步提高了诊断精度。栗茂林等[5]采用局部切空间排列算法对最优小波系数矩阵进行非线性约简，提出了一种基于连续小波系数非线性流形学习的冲击故障特征提取方法，有效提取出机械设备故障引发的冲击成分。

当前，虽然故障诊断理论和方法的研究取得了较大的进步，但对于不确定的、非线性的复杂故障诊断问题，采用基于统计或信号处理的特征提取方法，其诊断效果十分有限[1]。……