为提高滚动轴承故障诊断的性能,结合故障敏感特征的选择,提出了一种基于小波包变换(WPT)和监督NPE的滚动轴承故障诊断模型。首先,WPT对原始振动信号进行处理,利用终端节点的单支重构信号得到多域统计特征,构成原始特征集。然后,为减少特征集中的冗余信息和干扰特征,提出一种基于朴素贝叶斯的故障敏感特征选择方法(FSNB)。为了进一步降低冗余信息和运算复杂度,提出一种基于类别标签的监督邻域保持嵌入(SNPEL)方法,实现对高维特征集的低维表示。最后,利用K近邻(KNN)算法实现滚动轴承的故障诊断。采用12种轴承故障数据来验证提出的故障诊断模型的性能,结果表明,提出的模型可以实现较高的故障诊断准确度和较好的适应性。

主分量分析(PCA)是统计学中分析数据的一种有效方法.研究了基于主分量分析的声信号特征提取算法,并利用这种算法对四种战场目标的声信号进行特征提取,获得了低维的特征向量.设计了K近邻和改进BP网络两种分类器对声目标进行分类,分类结果准确率较高,均获得满意的实验效果.

针对旋转机械高维故障数据难以被准确辨识的情况,提出了一种基于主元分析（principal component analysis,PCA）和K近邻（K-nearest neighbour,KNN）算法的旋转机械故障识别方法。合理选取出各状态信号的时域、频域特征指标构造成高维特征空间,输入给主元分析算法进行降维处理,提取出低维敏感特征,将约简后的状态样本输入给KNN算法进行故障识别。滚动轴承和转子的实验结果表明,该方法能够很好的约简高维故障样本特征,在实现样本数据可视化的同时准确识别出各故障样本。与传统方法相比,该方法具有结构简单、识别率高等优点,对机械故障诊断研究具有一定的工程意义。

为了在没有任何历史故障信息的情况下定位真正的故障变量，研究了KNN在化工生产过程故障定位中的应用。首先利用局部离群因子（LOF）算法剔除原始数据中的离群点，将剩余数据作为训练数据建立KNN模型；然后计算待检测数据的检测指标，将其与控制限对比进行故障检测。最后，对检测出的故障计算训练数据基于KNN的变量贡献，利用核密度估计确定定位指标的控制限。对测试数据计算变量对定位指标的贡献，对所求的贡献矩阵进行量化，画出故障定位图。将该方法用于数值例子和TE过程，仿真结果说明该方法可以对故障进行准确定位，证明了其有效性。