摘要：信號的單一特征難以全面反映設(shè)備運行狀態(tài),而利用多域特征表征設(shè)備運行狀態(tài)時,隨著特征維數(shù)增加,將引發(fā)維數(shù)災(zāi)難,導(dǎo)致分類器性能退化,降低狀態(tài)監(jiān)測模型的辨識性能。針對這一問題,提出線性局部切空間排列(Linear local tangent space alignment,LLTSA)特征降維與極限學(xué)習(xí)機(Extreme learning machine,ELM)模型的故障診斷方法,利用LLTSA從高維特征空間提取低維流形,實現(xiàn)信號特征的維數(shù)約簡,保證模型分類性能。該方法首先利用完備總體經(jīng)驗?zāi)B(tài)分解(Complementary ensemble empirical mode decomposition,CEEMD)對振動信號進行分解,采用相關(guān)系數(shù)與峭度準(zhǔn)則篩選分量,重構(gòu)得到降噪后的振動信號;然后,計算重構(gòu)信號的多域特征,并利用LLTSA進行特征維數(shù)約簡;最后,利用其低維本質(zhì)特征建立ELM故障診斷模型,監(jiān)測設(shè)備運行狀態(tài)。高壓隔膜泵單向閥運行狀態(tài)監(jiān)測實驗表明,對振動信號進行特征維數(shù)約簡,降低特征間的冗余性,可提高ELM模型的故障識別精度。