近邻概率距离在旋转机械故障集分类中的应用方法

简介

针对多种故障类型的特征属性相互交叉导致故障难以辨识的问题,提出一种考虑相邻点之间成为近邻点概率的新度量函数。将新提出的近邻概率距离（Nearby Probability Distance,NPD）应用于局部保持投影算法（Locality Preserving Projection,LPP）与K-近邻（K-Nearest Neighbor,KNN）分类器中,提出基于近邻概率距离的局部保持投影算法（Nearby Probability Distance Locality Preserving Projection,NPDLPP）与基于近邻概率距离的K-近邻（Nearby Probability Distance K-Nearest Neighbor,NPDKNN）分类器;首先通过时域、频域特征提取方法,将振动信号转化为高维特征数据集,然后通过NPDLPP将高维数据集降维到低维空间,最后将降维得到的低维敏感特征集输入到NPDKNN中进行模式识别;用一个双跨度转子系统的振动信号集合进行验证,证明了所提出的降维算法效果明显,它能够达到各个故障类型更好分离。研究表明,新提出的近邻概率距离较传统的欧式距离测度更能最小化类内散度,最大化类间分离度。