高斯过程隐变量模型与多类最优边际分配机在故障诊断中的应用

摘要

轴承的振动信号特征与运行状态之间具有较强的非线性关系,导致在对轴承运行状态特征提取时,选取的高维特征间存在冗余性,因此产生故障诊断模型性能退化的问题。为此提出一种高斯过程隐变量模型(Gaussian process latent variable model,GPLVM)与多类最优边际分配机(Multi-class optimal margin distribution machine,mcODM)相结合的故障诊断方法。该方法首先对振动信号进行完备总体经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD),得到信号的高维特征,并采用GPLVM对高维特征进行维数约简,然后利用约简后的特征建立mcODM故障诊断模型。轴承故障检测试验表明,该方法能够有效降低特征间的冗余性,且相较于ELM,mcODM模型能通过优化边际分布获得较高的辨识精度。