1.一种基于改进的有监督正交邻域保持嵌入维数约简的故障辨识方法，其特征在于，包括以下步骤：步骤一：

机械振动将原始信号的均值、峰值指标、标准差、斜度、均方根、峭度波形因子、裕度指标等8个时域特征，均值频率、均方根频率、标准差频率、方差频率等4个频域特征，以及基于EEMD模糊熵的复杂度特征构成混合特征集以全面的表征机械故障信息；

提取机械振动信号中8个时域特征和4个频域，构造维数为12的故障特征集T1；

步骤二：

对原始信号进行EEMD分解，并求取前m个IMF分量的模糊熵，构造维数为m的故障特征集T2；

步骤三：转换矩阵A的获取；

通过正交邻域保持嵌入(ONPE)算法获取转换矩阵A，步骤如下：

1)主成分分析投影，使用PCA将数据集映射到主体子空间，用APCA表示PCA的转换矩阵，用X表示PCA子空间数据集；

2)构造邻域图，采用KNN法构造邻近图，再寻找数据的k个近邻点；

3)选择权值，

边界权值计算公式：

其中，W表示权值矩阵，Wij表示节点i和j之间的边界权值，xj和xi越近，Wij就越大，K×K维局部协方差矩阵计算公式： K为邻域大小，由K×K维局部协方差矩阵和拉格朗日乘数法得到最优权值计算公式：其中，Wij为W的第i行j列元素，由Wij可构造m×m维稀疏矩阵s；

4)计算ONPE，

令{a1,a2,…,ak}为ONPE，定义A(k-1)＝[a1,…,ak-1]S(k-1)＝[A(k-1)]T(XXT)-1A(k-1)则向量组{a1,a2,…,ak}可迭代计算如下：a1为(XXT)XMXT最小特征值对应的特征向量，其中M＝(I-W)T(I-W)，ak为J(k)＝{I-(XXT)-1A(k-1)[S(k-1)]-1[A(k-1)]T}(XXT)-1XMXT的最小特征值所对应的特征向量；

5)ONPE投影，令AONPE＝[a1,a2,…,ad]，嵌入式如下：XORG→Y＝ATXORG

A＝APCAAONPE

其中，Y为XORG的d维表示，A为转换矩阵，AONPE的列向量为标准正交基向量；

步骤四：改进的有监督正交邻域保持嵌入(Improved supervised ONPE,IS-ONPE)算法设计，重新定义矩阵距离

其中，d为样本间的原始距离，D为重新定义后的矩阵距离，为样本间的距离d的平均值，其作用是避免D在d较大时增长过快，σ∈[0,1]为调控系数以确保各类之间的关联性，li∈{Lj,j＝1,2,…,C}为样本的类别标签；

步骤五：邻域参数的自适应调整

通过计算局部集聚系数进行自适应邻域选择，设xij为xi向量邻域Ni＝{N(xi)|xi∈X}中的第j个点，j＝1,2,…,k，则xij的局部集聚系数为：其中，Eij为xij与邻域点互为邻域的次数，如果xij同时也是N(xi)的邻域，则Eij＝Eij+1，设xi(i＝1,2,…,n)的初始k个邻域数据为xij，j＝1,2,…,k，xi与邻域数据的平均欧式距离为：整体流行结构的平均欧式距离为：

自适应邻域个数为：

ki＝kDm/di

步骤六：IS-ONPE算法：

输入：高维空间数据样本集X＝{(x1,l1),(x2,l2)…(xm,lc)}，xi∈RD,li∈R为数据样本类别信息，目标低维特征空间维数d，邻域参数初始值k，输出：低维特征向量Y，转换矩阵A，

步骤如下：

1)根据步骤四中获得的重新定义后的距离，计算高维空间数据点的距离矩阵，并对距离矩阵进行归一化；

2)设定邻域参数初始值k，根据局部集聚系数计算调整后的邻域参数ki；

3)根据ki重新确定数据点xi的局部邻域空间，按照步骤三中的最优权值计算公式、ONPE和ONPE投影嵌入式得到转换矩阵A，最终可得低维空间坐标Y＝AXORG；

步骤七：基于IS-ONPE的故障辨识方法：通过转换矩阵A对训练样本和测试样本进行维数约简，得到的d维特征输入SVM进行故障辨识。