摘要：针对有标记故障样本不足和故障特征集维数过高的问题，提出基于正交半监督局部 Fisher 判别分析（Orthogonal semi-supervised local Fisher discriminant analysis, OSELF）的故障诊断方法。所提出的OSELF能够充分地利用蕴含于无标记故障样本中的故障信息，避免了因有标记故障样本不足引起的过学习问题,同时采用正交迭代方式求解最优正交映射矩阵，克服现有方法无法得到正交映射矩阵的不足。正交映射矩阵的基矢量统计不相关，可有效地提高所得低维特征矢量的可辨识性。通过正交映射矩阵对故障样本集和新增样本进行维数约简，并将维数约简的结果输入粗糙优化k最近邻分类器（Coarse to fine k nearest neighbor classifier, CFKNNC）进行学习训练和故障识别。所提方法集成了OSELF在维数约简和CFKNNC在模式识别的优势，有效地提高了故障诊断的精度。通过齿轮箱故障模拟试验验证了该方法的有效性。

关键词：故障诊断 维数约简 正交半监督局部fisher判别分析 粗糙优化k最近邻分类器 

单位：重庆大学机械传动国家重点实验室 重庆400030 河南工业大学机电工程学院 郑州450007