关键词：故障诊断;信号处理;数据降维;流形学习;特征选择
摘 要：为了准确地对旋转机械进行故障诊断，提出了一种多核监督流形学习算法（multi-kernel supervised manifold learning,MKSML）。MKSML算法可以有效地对高维故障数据进行特征选择，筛选出区分度高的低维故障特征。借助监督学习的思想，增强了同类样本的聚集性和不同类样本之间的差异性；同时基于所设计的多核函数提出了加权邻域图构建方法，能够保留近邻点之间的距离信息和角度信息，有效地抑制故障特征选择时样本中的异常值和噪声的干扰。通过灰狼优化算法调整MKSML算法相应的参数，使算法能够应用于不同类型的旋转机械故障诊断。在此基础上，建立了一种基于MKSML算法的旋转机械故障诊断模型，并进行了轴承故障诊断实验以及齿轮故障诊断实验。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取