有监督不相关局部Fisher判别分析故障诊断

李 锋，王家序，汤宝平，邓成军

(1.四川大学制造科学与工程学院，四川成都610065；2.四川大学空天科学与工程学院，四川成都610065；3.重庆大学机械传动国家重点实验室，重庆400044)

有监督不相关局部Fisher判别分析故障诊断

李 锋1，王家序2，汤宝平3，邓成军1

(1.四川大学制造科学与工程学院，四川成都610065；2.四川大学空天科学与工程学院，四川成都610065；3.重庆大学机械传动国家重点实验室，重庆400044)

针对现有流形学习理论用于旋转机械故障诊断存在识别精度不高的问题，提出基于有监督不相关局部Fisher判别分析(Supervised Uncorrelated Local Fisher Discriminant Analysis，SULFDA)的新型故障诊断方法。首先构造全面表征不同故障特征的时频域特征集，再利用有监督不相关局部Fisher判别分析将高维时频域故障特征集化简为区分度更好的低维特征矢量，并输入到K-近邻分类器中进行故障模式辨识。有监督不相关局部Fisher判别分析在类标签指导下最小化同类流形的离散度并最大化异类流形的离散度来实现类判别，还施加了不相关约束条件使所提取的特征统计不相关，提高了针对旋转机械的故障诊断精度。深沟球轴承故障诊断实验验证了该方法的有效性。

故障诊断；旋转机械；时频域特征集；有监督不相关局部Fisher判别分析；流形学习

引 言

由于流形学习比传统数据挖掘方法更能体现观测数据的本质，在提取出主要变量的同时还获得了原始观测空间的真实拓扑结构［1-4］，为实现对高维、非线性、多作用域的旋转机械故障特征数集进行特征约简和高精度的模式分类提供了更理想的解决思路。……