张量鲁棒主成分分析及其在故障诊断中的应用

通常采集到的机械设备振动信号具有典型的非线性、非平稳特性,并且含有强背景噪声。一种新的张量鲁棒主成分分析方法被提出,该方法假设张量数据能被分解为代表信号特征的低秩成分和代表噪声的稀疏成分的叠加。首先将采集的一维信号重构到三维张量空间,然后通过求解一个凸优化问题来提取张量数据的低秩特征成分,从而实现信号的特征提取。该问题实质是由Tucker分解模型相关的Tucker秩凸包络的核范数和稀疏成分范数的联合最小化问题。分别通过仿真实验和实测的轴承外圈故障信号进行分析,结果表明提出的方法能成功的提取故障特征信息。     

利用奇异值分解的信号降噪方法

为了提高测试信号的信噪比,针对奇异值分解降噪法中有效秩阶次的选择以及重构矩阵结构的确定两个关键问题,提出了一种基于信号频率成分的奇异值降噪方法.该方法利用信号快速傅里叶变换结果中主频率个数来确定有效秩阶次,通过降噪信号的信噪比和均方差大小确定重构矩阵结构,并采用不同频率成分的几组信号对该方法进行了验证.结果表明,有效秩的阶次是源信号主频个数的2倍,并且这种倍数关系不随重构矩阵行列数的变化而变化;在工程应用中,重构矩阵的最佳行数取信号数据长度的一半,可以得到较好的降噪效果;除傅里叶变换结果中有用信号频率与噪声频率难以区分的情形外,无论是白噪声还是色噪声,该方法都十分有效.     

基于低秩鉴别投影的轴承故障特征提取方法

根据滚动轴承故障振动信号特点,提出了一种基于低秩鉴别投影的轴承故障特征提取方法。由时域指标和小波频带能量组成高维特征空间,通过低秩鉴别投影方法对训练样本数据进行特征提取求出低维嵌入矩阵。为了寻找低秩鉴别投影算法在实例中的最优参数,利用网格搜索法寻参,同时将测试样本经低维嵌入矩阵转化后得到的特征向量输入到稀疏表示分类器中进行故障识别,以最高故障识别率对应的参数为最优参数。试验表明该方法有效、可行。     

基于短时滑移模糊熵和LPP的轴承故障诊断

针对旋转机械设备的故障特征微弱和环境噪声强等问题,提出了一种基于短时滑移模糊熵和局部保留投影法(locality preserving projection,简称LPP)的故障特征提取方法。首先,通过对滑移截断短时序列的架构分析,引入多尺度复合模糊熵,获得信号在不同复合尺度下的特征信息和故障潜在特征,能准确反应信号复杂度和不确定性;其次,应用LPP流形降维并保留信号的局部数据特征,设计最优带通滤波器,对轴承振动信号进行故障冲击特征提取。仿真分析和实验数据结果验证了该方法在强背景噪声情况下降噪抑制方面的有效性,具有快速识别和提取滚动轴承的微弱冲击特征的能力。     

基于时频联合特征提取与MS-LTSA流形学习的齿轮箱故障诊断

提出了基于时频联合(TFC)特征提取和改进的监督局部切空间排列(MS-LTSA)的流形学习的齿轮箱故障诊断的方法.首先,提出了信号的时域、频域和HHT时频域三者结合的特征提取方法,以获取振动信号全面的特征向量信息;然后,提取高维特征向量的奇异值,利用流形学习理论对奇异值矩阵进行降噪;最后,通过降噪后的特征向量实现对齿轮...     

时空稀疏贝叶斯的多通道降噪方法及在机械故障诊断中的应用

压缩感知利用与稀疏基相独立的观测矩阵将具有稀疏结构的高维度信号投影到低维子空间,对于信号的压缩和降噪有很好的效果,但是稀疏基以及稀疏系数矩阵的获得对于分析的结果有决定性的影响。稀疏贝叶斯学习(sparse bayesian learning,SBL)算法能极大地提高信号稀疏分解的精度,提出了一种改进的基于时空稀疏贝叶斯(SpatioTemporal Sparse Bayesian Learning,STSBL)的多通道信号降噪算法。首先给出了多通道压缩感知理论模型,然后通过自适应过完备字典求取信号的稀疏基矩阵,最后提出基于STSBL的多通道理论模型获取多通道稀疏系数矩阵,从而实现多通道机械故障信号的有效降噪以及特征成分的精确重构。分别通过数值仿真实验和实测风力发电机轴承内圈故障信号进行分析,结果表明提出的方法有很好的降噪效果,同时能成功地提取信号的故障特征信息。     

基于非负矩阵分解的单通道故障特征分离方法

针对单通道振动信号的多特征分离问题,提出了一种基于正交非负矩阵分解的故障特征提取方法。首先,采用短时傅里叶变换,利用时频分布来描述信号中的局部故障特征,通过核心一致性指标评估子空间维数;然后,在幅值谱矩阵分解的基础上,通过正交性约束实现低维嵌入分量信息的分离,获取局部特征的准确描述;最后,采用相位恢复理论重构出特征波形,对仿真信号和滚动轴承故障数据进行了测试。结果表明,所提出的方法能利用单通道信号有效地分离出微弱的局部故障特征,为机械状态的早期故障诊断识别提供了一种有效手段。     

改进张量分解算法及在机械故障诊断中的应用

提出了一种新的基于L?wner矩阵的改进张量分解算法。张量作为高维数据的最自然的表示形式,能够最大程度地保留数据的内在结构特性,通过张量分解算法来识别信号中的有效成分并将其储存在低秩的子张量空间中。利用L?wner矩阵来实现一维信号向高维张量的表征,并通过L?wner矩阵的特性来确定张量分解的秩,接着由迭代的最小二乘法对张量进行分解,最后从分解的子张量中提取有用的信息。为了验证提出方法的有效性,分别通过数值仿真实验和实测的轴承外圈故障信号进行分析,结果提出的方法成功地提取了故障特征信息。     

基于分层算子形态小波的轮对轴承复合故障检测

形态学算子可以分为降噪型算子和特征提取型算子两大类。现有的形态非抽样小波方法在多层分解的每一层均使用相同的形态学算子,但反复使用某种降噪型或特征提取型算子有时很难准确获得信号的特征信息。为此,提出分层算子形态非抽样小波,每一层分解采用不同的形态学算子,通过对去噪型和特征提取型算子的有机融合,方法在故障特征提取方面具有更强的针对性、灵活性,同时也具有明确的物理意义和可解释性。针对轮对轴承复合故障的特点,提出一种局部特征幅值比原则,从不同分辨率对应的不同分析尺度的分析结果中,分别挑选出对不同类型故障最为敏感的分析尺度,进而实现复合故障中各故障的有效分离。在试验台采集轮对轴承复合故障振动信号,将提出的分层算子形态小波应用于实测数据的分析。研究结果表明,提出的方法能有效检测轮对轴承复合故障,与现有的形态非抽样小波方法相比,分层算子形态小波对复合故障的辨识能力更强。     

SVD-LMD联合降噪和TEO的滚动轴承故障诊断

针对随机噪声背景下滚动轴承局部损伤信息提取困难的问题,提出了一种奇异值分解(Singular value decomposition,SVD)和局部均值分解(Local mean decomposition,LMD)联合降噪,并结合Teager能量算子(Teager energy operator,TEO)的特征提取新方法.首先,利用SVD方法对滚动轴承故障振动信号进行处理,初步剔除背景噪声;然后,使用LMD方法分解降噪后的信号,依据相关系数指标筛分出敏感乘积函数(Product function,PF)并加以重构;最后,对重构的信号进行TEO解调分析,将解调谱中幅值突出的频率成分与故障特征频率理论值进行对比,提取故障信息.结果表明,该方法可有效提取轴承局部损伤的特征频率,最终实现故障诊断.