为了提升传统分类器在进行复合故障诊断时的诊断性能以及计算效率,提出了一种基于集成极限学习机框架的旋转机械复合故障诊断方法。提出的集成极限学习机框架由两个子网络组成,第一个极限学习机网络通过无监督聚类从每个点到每个质心生成欧氏距离函数,从而大大扩展了数据的样本,大大提高了该方法的适用范围。第二个极限学习机网络通过多输出节点多标签学习识别潜在输出,该分类器能够自适应的调整生成阈值,从而减少了对先验知识的依赖。通过仿真验证可知该方法在机械复合故障诊断方面具有诊断精度高、计算复杂度小,自适应能力强等优点。

针对常用的无监督聚类分析方法中存在的问题,提出了一种基于分子结构设计理论的聚类分析方法。该方法借鉴分子结构设计理论模型,将故障样本空间看作分子系统,将故障样本看作分子系统中的原子,以故障样本之间的差异度作为分子势能的度量指标,在故障样本间＂相互作用势＂的影响下,以样本间＂势能＂最小为依据,调整故障样本在映射平面上的位置,从而获得最佳的聚类效果。开展了不同状态滚动轴承振动测试实验,聚类结果表明,相比于SOM聚类方法,该方法将聚类有效性指标DB值降低49.04%。将该方法应用于柴油机故障振动数据的聚类中,实验结果表明聚类效果良好,能够有效地将不同故障的数据区分开,验证了该方法的可行性和有效性。