融合邻域分布LLE算法轴承故障信号检测

张彦生,张利来,刘远红

(东北石油大学 a.电气信息工程学院; b.东北石油大学国家大学科技园,黑龙江 大庆 163318)

0 引 言

电机是现代重要的生产设备动力装置,维持电机正常运行对社会的经济发展具有重要意义。而电机轴承是电机较易损坏的零件之一[1],因此高效地检测电机轴承运行状态是非常必要的[2-3]。随着信息技术的快速发展,电机轴承故障诊断过程中涉及到大量高维数据,分析与处理这些数据对及时发现并反馈问题,避免出现规模性的经济损失,提高生产效率具有重要意义。然而,高维数据中包含大量的冗余信息,同时维数的增加会引起“维数灾难”[4],这都将对数据的处理和分析造成不利的影响。

由于电机轴承数据在高维空间为流形结构,线性降维算法不能对其进行有效处理,因此利用非线性降维算法成为处理电机轴承数据的关键。LLE(Local Linear Embedding)是非线性降维的关键技术之一,因其良好的性能和简单性而引起了人们的广泛关注。但LLE仍存在没有充分挖掘局部结构的缺陷,针对该问题,学者们提出了基于更换欧氏距离和多种算法组合技术。由于在高维流形上欧氏距离的局限性,更换欧氏距离的方法,能实现对高维流形结构的精准度量。Pan等[5]利用伽玛函数和新的加权距离公式改善LLE,在数据的分布与高斯分布差距较大时表现良好。Varini等[6]将等距特征映射算法ISOMAP(Isometric Feature Mapping)中的测地线距离引入LLE中用于构建K最近邻法KNN(K-Nearest Neighbor)图,得到ISOLLE(Isometric Locally Linear Embedding)算法。将数据映射到不同的空间同样能达到挖掘高维数据结构的作用。……