基于局部质心均值最小距离鉴别投影的旋转机械故障数据降维分析研究

针对旋转机械故障特征集非线性强、维数过高导致分类困难的问题，提出一种基于局部质心均值最小距离鉴别投影（Local Centroid Mean Minimum?distance Discriminant Projection，LCMMDP）的故障数据集降维算法。该算法在考虑样本的内聚性和分离性的同时，能够保持样本局部几何结构信息，反映样本与局部质心均值之间的近邻关系。从多个角度提取机械振动信号的混合特征，构建原始高维特征集，通过 LCMMDP 提取出低维敏感特征子集，利用改进的基于局部均值与类均值的 k?近质心近邻分类算法（k?nearest Centroid Neighbor Classification Based on Local Mean and Class Mean，KNCNCM）进行故障模式识别。所提方法集成了 LCMMDP 在维数约简和 KNCNCM在模式识别的优势，可得到较高的故障识别准确率。分别使用一个双转子系统数据集和仿真数据集验证了该方法的有效性。

Dimensional reduction analysis of rotating machinery fault data based on local centroid mean minimum-distance discriminant projection