针对旋转机械故障诊断中故障样本获取困难的现状,提出一种基于正则化核最大边界投影(数约简的滚动轴承故障诊断方法。该方法首先利用RKMMP对小样本、少标记信息的混合故障样本集进行训练降维,然后将降维后的低维敏感特征子集输入到核极限学习机(Kernel Extreme Learning Machine,KLEM)分类器中进行故障识别。上述方法的特点是所提出的RKMMP能充分利用少量标记样本信息与大量无标记样本的故障信息,避免过学习的缺陷,同时通过添加正则化项克服小样本问题。滚动轴承故障模拟实验表明:该方法结合了RKMMP在维数约简和KLEM在模式识别上的优势,在一定程度上能提升故障诊断的泛化能力与识别精度。该研究可为解决好故障诊断中样本获取困难的问题,提供理论参考依据。针对流形学习算法的增量处理问题,提出一种邻域自适应增量式PCA-LPP流形学习算法,阐述了算法的基本原理以及增量样本处理方法。对新增样本的引入,首先根据已有样本对协方差矩阵和相似矩阵进行增量更新,而后结合已有样本降维结果对新增样本降维结果进行估计,最后采用子空间迭代法实现新旧样本降维结果的更新。采用齿轮箱故障信号特征向量对邻域自适应增量式PCA-LPP流形学习算法进行检验,结果表明本文有张家港市泰宇机械有限公司全自动滚圆机采集网络整理 http://www.gunyuanji.com  ,邻域自适应增量式PCA-LPP流形学习算法降维后特征具有良好的故障分类识别效果。求解实质上是求解广义特征值问题，通过求解前d个最大特征值对应的特征向量，得到投影矩阵W。1NI－1Nee()T－()LY=λDY(11)根据邻域自适应构造方法以及整体目标函数，可以给出邻域自适应PCA-LPP流形学习算法的基本流程，如图1所示。图1邻域自适应PCA-LPP算法流程PCA-LPP流形学习算法邻域自适应PCA-LPP流形学习算法是一种批量式数据处理方法，邻域自适应-电动液压滚圆机数控滚弧机价格低张家港液压滚圆机多少钱不具备增量处理能力。处理新增样本时只能考虑所有样本重新计算投影矩阵，原始样本的投影结果不能得到有效利用，特别是在原始样本数量较大的情况下，每次重新计算整体的特征向量时计算量大，效率低。基于对自适应邻域PCA-LPP流形学习算法的分析，考虑对大量原始样本已有处理结果的应用，提出一种具有批量处理能力的增量式邻域自适应PCA-LPP流形学习算法。2．1相关参量矩阵更新在原始分析数据集X的基础上，假设新增L个样本，新旧样本构成当前数据集，则此时的数据集Xnew=［x1，x2，…，xN，…，xN+L］，共N+L个样本。加入新样本之后，算法整体目标函数计算过程中的参量均发生变化，如样本协方差矩阵C，目标函数中的相似矩阵S以及对角矩阵D。增加新样本后首先需要更新整体协方差矩阵，协邻域自适应-电动液压滚圆机数控滚弧机价格低张家港液压滚圆机多少钱本文有张家港市泰宇机械有限公司全自动滚圆机采集网络整理 http://www.gunyuanji.com