针对轴承的工况复杂，其振动信号呈现非线性、非平稳特性。传统算法不能充分挖掘出非线性、非平稳信号内部本质信息，提出了基于局部切空间排列算法（LTSA）与核熵成份分析（KECA）相结合的故障诊断方法。该方法首先将滚动轴承振动信号一维时间序列重构到高维相空间，并估计数据的本征维数；然后利用局部切空间排列算法对数据集进行维数约简，得到初始的低维流形结构特征向量空间的第一行特征，对其进行快速傅里叶变换（FFT），从其频谱中分别提取滚动轴承内环、外环的故障特征频率及它们分别对应的倍频和频谱能量等7个变量作为故障特征向量；最后采用KECA对滚动轴承的故障特征向量进行模式识别，KECA可实现根据熵值大小进行特征分类，具有较强的非线性处理能力，从而实现故障的识别与诊断。采用Case Western Reserve大学提供的轴承实...