论文部分内容阅读
针对转子故障诊断日趋困难的问题，引入一种基于非线性流形学习和极限学习机（ ELM）的转子故障诊断模型。基于转子振动信号时域与频域的14个特征参数构建高维矩阵，利用线性局部切空间排列（ LLTSA）提取高维矩阵的特征向量，并投影到可视空间中。采用极限学习机作为分类器进行故障诊断。故障诊断实例验证了该模型的有效性和可行性，表明了该模型将成为故障诊断领域的发展方向。