相关流形距离在转子故障数据集分类中的应用方法

针对故障特征属性值域之间存在着一定相关性导致准确分类困难的问题,提出一种能够考虑相关系数影响作用的转子故障数据集分类方法;该方法是将相关流形距离的边界Fisher分析(Correlation Manifold Distance Marginal Fisher Analysis,CDMFA)与相关流形距离的K-近邻(Correlation Manifold Distance K-Nearest Neighbor,CDKNN)分类器概念相结合在一起的结果。首先,将振动信号集合转换成多域、多通道高维故障特征数据集;然后,通过CDMFA将融合相关系数的相关流形距离用于度量数据样本间的近邻与权值,据此能更好地反映高维数据间的相似性关系,提取出能使类间距离趋大的低维特征子集;最后,将得到的低维特征子集输入到CDKNN分类器中进行故障模式辨识。用一个双跨度转子系统数据集与仿真数据集对所提出的方法进行了验证。结果表明:本方法降维效果良好,可获得更高的故障分类准确率。研究发现,采用相关流形距离作为信息测度的故障数据分类方法能更真实地揭示出高维特征间的几何结构关系;该方法可为高维故障数据集的特征属性约简与分类,提供降低数据规模的理论参考依据。