摘要：在拉普拉斯分值（Laplaianscore，LS）方法的基础上，提出一种监督拉普拉斯分值（Supervisedlaplaianscore，SLS）特征选择方法。该方法同时考虑数据的标号信息和局部几何结构，避免LS方法中要设定近邻图参数的问题。将SLS和主元分析（Principalcomponentanalysis，PCA）相结合，提出基于SLS和PCA的滚动轴承故障诊断方法。该方法在时域和频域对滚动轴承振动信号进行特征提取，组成初始特征矢量；利用SLS进行特征选择，形成故障特征矢量；再对特征矩阵进行PCA降维处理，并用K近邻（K-nearestneighboralgorithm，KNN）分类算法实现滚动轴承不同故障类型的识别。应用实例表明，该方法能有效提取滚动轴承振动信号特征，诊断滚动轴承故障，且故障分辨率优于基于LS和PCA的故障诊断方法。

关键词：特征选择 监督拉普拉斯分值 主元分析 故障诊断 

单位：湖南大学汽车车身先进设计制造国家重点实验室 长沙410082