基于LLTSA的转子故障数据集降维方法.PDF

第34 卷 第5 期 噪 声 与 振 动 控 制 Vol 34 No.5 2014 年10月 NOISE AND VIBRATION CONTROL Oct. 2014 文章编号：1006-1355(2014)05-0150-06 基于LLTSA 的转子故障数据集降维方法 1, 2 1, 2 袁德强 ，赵荣珍 （1. 兰州理工大学 数字制造技术与应用省部共建教育部重点实验室，兰州 730050； 2. 兰州理工大学 机电工程学院，兰州 730050 ） 摘 要：特征数据集降维是机械故障智能诊断的关键步骤之一。常见的数据集降维方法难以准确的从高维非线性 数据集中获取反映转子运行状态的敏感特征信息，导致故障模式识别精度降低。局部切空间排列算法（LTSA ）对部分 高维非线性数据集达到较好降维效果。但该算法不适合处理高曲率分布、稀疏不均匀分布等高维数据源。为此，在 LTSA 算法的基础上结合线性分块思想，提出线性局部切空间排列算法（LLTSA ）。该算法充分考虑了数据集的整体与 局部结构，将数据样本空间划分为一组最大线性块，使降维后的同类数据具有更好的聚类性。通过高维非线性转子振 动数据时域特征数据集对该算法进行验证，结果表明经该算法降维后的数据集具有较好的聚类与分类性能。 关键词：振动与波；数据集降维；故障诊断；线性分块；LTSA ；LLTSA 中图分类号：TP206 文献标识码：A DOI 编码：10.3969/j.issn. 1006-1335.2014.05.034 DimensionDimension ReductionReduction MethodMethod forfor RotorRotor FaultFault DatasetDataset BasedBased onon LLTSALLTSA YUAN De-qiang 1, 2, ZHAO Rong -zhen 1, 2 ( 1. Key Laboratory of Digital Manufacturing Technology and Application, the Ministry of Education, Lanzhou University of Technology, Lanzhou 730050, China; 2. School of Mechanical Electronic Engineering, Lanzhou University of Technology, Lanzhou 730050, China ) AbstractAbstract : Characteristic dataset dimension reduction is one of the key steps in mechanical fault intelligent diagnosis. However, it is difficult for the conventional dataset dimension reduction method to accurately extract the sensitive characteristic information, which can reflect the operation state of the rot