转子故障数据集降维的CKLPMDP算法研究

安 煌,赵荣珍

(兰州理工大学 机电工程学院，兰州 730050)

在借助于海量数据驱动实施智能决策技术中，初期遇到的首要问题之一是通过各种特征提取手段剔除无用冗余数据，提取有效特征子集[1]。在转子故障诊断过程中，如何在故障数据集中有效地提取出有利于分类的特征子集，一直是以数据驱动的转子机械故障诊断研究领域面临的挑战。因此，探讨消除冗余信息、降低故障数据集维数的有效方法，对于全面挖掘出敏感且本质的故障特征信息矢量、降低故障分类的复杂度、提高故障识别准确率尤为关键[2]。

流形学习的显著特征是利用局部几何学习获得高维数据蕴含的潜在低维结构，具有良好的非线性信息处理能力[3]。流形结构可分为局部流形结构和多流形判别结构两大类，其中从局部流形结构学习的典型方法如：拉普拉斯特征映射(Laplacian eigenmapas，LE)[4]，局部线性嵌入(locally linear embedding，LLE)[5]，局部结构保持(locality preserving projections，LPP)[6]，核局部保持投影(kernel locality preserving projection，KLPP)[7]等。KLPP是在LPP基础上通过引入核函数，解决了LPP难以提取非线性数据近邻结构的问题，其在保持局部近邻结构的同时实现线性计算。但是KLPP本质上是一种线性无监督算法，在面对各类流形相近的情况时难以获得具有强辨识能力的低维矢量。而面向分类的多流形学习成为当前流形学习发展的一个主流方向，典型的如边缘判别分析(marginal Fisher analysis，MFA)[8]，最大间距标准(maximum marginal criterion，MMC)[9]，非参判别多流形学习(nonparametic discriminant multi-manifold learning，NDML)[10]等。其中，NDML从多流形学习的角度构造了一种基于异类近邻的判别结构，使获得的潜在低维嵌入具有较好的分类识别性能，但是它对非线性数据难以得到较好的分类效果。……