摘要：信號(hào)的單一特征難以全面反映設(shè)備運(yùn)行狀態(tài),而利用多域特征表征設(shè)備運(yùn)行狀態(tài)時(shí),隨著特征維數(shù)增加,將引發(fā)維數(shù)災(zāi)難,導(dǎo)致分類(lèi)器性能退化,降低狀態(tài)監(jiān)測(cè)模型的辨識(shí)性能。針對(duì)這一問(wèn)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(jī)(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(shí)現(xiàn)信號(hào)特征的維數(shù)約簡(jiǎn),保證模型分類(lèi)性能。該方法首先利用完備總體經(jīng)驗(yàn)?zāi)B(tài)分解(Complementary ensemble empirical mode decomposition,CEEMD)對(duì)振動(dòng)信號(hào)進(jìn)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(dòng)信號(hào);然后,計(jì)算重構(gòu)信號(hào)的多域特征,并利用LLTSA進(jìn)行特征維數(shù)約簡(jiǎn);最后,利用其低維本質(zhì)特征建立ELM故障診斷模型,監(jiān)測(cè)設(shè)備運(yùn)行狀態(tài)。高壓隔膜泵單向閥運(yùn)行狀態(tài)監(jiān)測(cè)實(shí)驗(yàn)表明,對(duì)振動(dòng)信號(hào)進(jìn)行特征維數(shù)約簡(jiǎn),降低特征間的冗余性,可提高ELM模型的故障識(shí)別精度。