二维非负矩阵分解在齿轮故障诊断中的应用

针对齿轮故障信号时频分布识别问题,提出采用二维非负矩阵分解技术提取时频分布矩阵特征参数的方法。采用S变换技术将齿轮故障信号变换至时频域,为克服传统的一维非负矩阵分解对矩阵向量化带来的维数过高和结构信息损失问题,提出采用二维非负矩阵分解技术直接对信号时频分布矩阵提取特征参数。对齿轮5种状态下信号时频分布矩阵的特征提取和分类结果表明,二维非负矩阵分解技术无论在计算效率还是分类精度上都明显优于一维非负矩阵分解技术。     

用形态梯度法与非负矩阵分解的齿轮故障诊断

振动信号处理与特征参数提取是实现齿轮智能故障诊断的关键。提出采用形态梯度算法对齿轮振动信号进行处理,既可以抑制噪声又可充分突出故障信号的冲击特征,能够在强噪声背景下有效地提取振动信号中反映齿轮工作状态的有用分量;在此基础上提出采用非负矩阵分解的特征提取方法对信号进行压缩,计算用于齿轮故障诊断的特征参量。结果表明,与传统的信号处理与特征参量提取方法相比,笔者提出的方法能够具有更高的分类精度,为准确判断齿轮工作状态提供了一种行之有效的新方法。     

基于非负矩阵分解的盲信号源数估计

为满足盲源分离算法对振源信号数量的苛刻要求,提出了一种基于非负矩阵分解的源数估计方法。该方法在传感器数大于或等于源数时,无论源信号是否相关均能准确估计源数;在传感器数小于源数时,能估计源数的下界。理论分析、仿真和工程实验证明了该方法的有效性和可行性。     

基于非负矩阵分解的熔池图像识别方法

为探求视觉传感智能识别焊接缺陷技术,利用电荷耦合器件(CCD)相机采集了熔化极气体保护焊(GMAW)熔池图像,分析了不同工艺条件下熔池动态变化过程及所对应的焊接缺陷,提出利用非负矩阵分解法对熔池图像进行解析,得到熔池图像的特征矩阵。通过最小二乘法计算未知焊接过程测试图像在特征矩阵的投影值,给出了焊接缺陷的自动识别方法。研究结果表明,焊接质量和熔池稳定程度有关联,熔池紊乱表现为熔池轮廓波动、浮渣离散等特点,熔池稳定程度下降伴随着焊接质量的下降,以及焊缝出现缺陷。利用非负矩阵分解法得到的熔池图像特征矩阵,能够对原始图像进行整体性描述(如熔池轮廓)和局部性描述(如浮渣区域、电弧区域等),具有物理可解释性,可用于识别焊接缺陷。     

单时频谱非负矩阵编码与解调的特征提取

非负矩阵分解(NMF)作为一种矩阵分解以及非线性维数约简工具,被广泛用于多样本振动时频谱的分解编码以及特征提取,但单样本振动时频谱的NMF编码、尤其NMF分解向量与振动时频谱分量间关联关系尚缺乏探讨。阐述了单时频谱编码与解调的特征提取原理,重点分析了NMF对单时频谱基于部分的特征表示能力、单时频谱NMF基向量的带通滤波幅频特性(BFAC)、以及NMF编码向量与时频谱分量的同步变化特性。提出单时频谱NMF编码与解调的两种特征提取新方法,即基于NMF基向量的滤波解调和NMF编码向量直接解调,定义一种BFAC指数指标和基向量归一化的NMF编码优化迭代规则分别用于NMF低维参数自适应选取和优化求解过程。将所提方法用于仿真信号以及齿轮箱振动信号分析,6.4 k长度数据在给定因子分解秩和NMF最大迭代300次终止条件设定下的特征提取用时约3.5 s,同时实现了对信噪比为-10 dB仿真信号以及多故障齿轮箱振动信号中故障特征的提取。     

基于聚类优化的非负矩阵分解方法及其应用

针对不断增加的机电系统运行状态信息,传统的特征提取和选择方法已无法满足需求。根据非负矩阵分解典型算法的特点,基于非负矩阵分解的聚类特性,提出了一种面向故障诊断的分解方法。通过分类能力和迭代效率的对比分析,选择了相关性约束和稀疏性约束的改进型交替最小二乘迭代算法,确定了低维嵌入维数及迭代初始化方法,在UCI测试数据集和TEP系统的特征选择应用中验证了该方法的有效性。     

基于非负矩阵分解的产品结构相似性判断及其应用

为了快速发现可重用产品结构,提出了基于非负矩阵分解的产品结构相似性判断方法。通过将产品结构邻接矩阵转化为邻接向量,构建包含全部结构信息的库矩阵;利用Multiplicative Updates(MU)算法对库矩阵进行非负矩阵分解,实现以低维空间向量描述的产品结构;在此基础上,通过计算低维向量的欧氏距离,可以判断产品结构之间的相似性;最后通过实例对所提出原理和方法进行了验证,结果表明,该方法比目前的相似性判断方法更高效。     

基于β散度约束的非负矩阵分解的机械复合故障诊断方法

时频分析经常被用来刻画非平稳振动信号的局部信息,而经时频变换后的特征信号具有较高的矩阵维数,很难对高维特征矩阵直接进行分类或特征提取.为此,提出了基于时频分析与β散度约束的非负矩阵分解算法(NMF)相结合的机械复合故障诊断方法.对采集的振动信号进行时频分析,获取局部特征信息;利用β-NMF算法实现数据的降维,并根据特征信息重构信号;在β-NMF算法中引入加权脉冲因子(CIF),对重构后的信号进行筛选;将得到的分离信号进行包络频谱分析,实现故障诊断.以滚动轴承复合故障为研究对象进行验证,分析结果表明:所提出的方法可以有效提取出外圈与滚动体冲击性特征,实现了滚动轴承的复合故障诊断.     

基于非负矩阵分解算法的工程陶瓷磨削表面损伤检测

考虑表面损伤检测在工程陶瓷表面质量评价中的重要作用,首次把非负矩阵分解(NMF)图像重构算法引入工程陶瓷磨削表面损伤检测中,并进行了理论分析与实例检测。首先,将输入图像数据集从原始数据空间降维到一个低维NMF空间,利用本文提出的图像重构相对误差0.1监督规则,确定子空间基r值。然后,利用两个低维非负矩阵进行图像重构,获取磨削纹理背景图像,并通过图像减法去除磨削纹理。最后,利用Canny边缘检测算法提取工程陶瓷磨削表面损伤图像。实验结果表明,该方法能够准确提取表面损伤并计算磨削损伤率评价参数。     

采用改进投影梯度非负矩阵分解和非采样Contourlet变换的图像融合方法

针对非负矩阵分解(NMF)算法时间复杂度较高,而投影梯度(PG)优化方法可以大幅降低NMF约束优化迭代问题的时间复杂度,提出一种基于改进的投影梯度NMF(IPGNMF)和非采样Contourlet变换(NSCT)相结合的图像融合方法.采用NSCT对已配准的源图像进行多尺度、多方向的分解,将分解后的低频部分作为原始数据,...     

盲解卷积的机械振动信号分离技术

针对机械振动信号往往是多个信号卷积混合的结果,阐述了卷积混合的模型和原理.利用扩展的H-J网络结构,给出了在线实时的盲解卷积迭代算法,并通过仿真试验验证了算法的有效性和准确性.该法与传统的傅里叶变换频谱分析相比,能获得更多的振源振动信息,可更准确地进行机械故障诊断.     

Feature Extraction and Recognition for Rolling Element Bearing Fault Utilizing Short-Time Fourier Transform and Non-negative Matrix Factorization

Due to the non-stationary characteristics of vibration signals acquired from rolling element bearing fault, the time-frequency analysis is often applied to describe the local information of these unstable signals smartly. However, it is difficult to classify the high dimensional feature matrix directly because of too large dimensions for many classifiers. This paper combines the concepts of time-frequency distribution(TFD) with non-negative matrix factorization(NMF), and proposes a novel TFD matrix factorization method to enhance representation and identification of bearing fault. Throughout this method, the TFD of a vibration signal is firstly accomplished to describe the localized faults with short-time Fourier transform(STFT). Then, the supervised NMF mapping is adopted to extract the fault features from TFD. Meanwhile, the fault samples can be clustered and recognized automatically by using the clustering property of NMF. The proposed method takes advantages of the NMF in the parts-based representation and the adaptive clustering. The localized fault features of interest can be extracted as well. To evaluate the performance of the proposed method, the 9 kinds of the bearing fault on a test bench is performed. The proposed method can effectively identify the fault severity and different fault types. Moreover, in comparison with the artificial neural network(ANN), NMF yields 99.3% mean accuracy which is much superior to ANN. This research presents a simple and practical resolution for the fault diagnosis problem of rolling element bearing in high dimensional feature space.     

SDICA方法在单通道信号故障分类中的研究

提出了一种针对工程单通道信号的子带分解独立分量分析(subband decomposition independent component analysis,简称SDICA)故障分类方法。利用经验模态分解方法(empirical mode decomposition,简称EMD)得到的多个基本模式分量作为子带信号,对子带信号进行独立分量分析(independent component analysis,简称ICA),在ICA方法过程中提取了分离过程特征中产生的残余互信息值,在估计子带信号中计算各自的近似熵值,并把残余互信息和近似熵值作为特征参数,输入广义回归神经网络实现故障分类。SDICA方法在单通道信号故障分类中引入了ICA理论,成功实现了工程单通道轴承信号3种故障高精度的识别,验证了具有良好表征故障能力的残余互信息值和估计子带近似熵能够成为故障分类的重要参数。     

机械噪声故障特征提取的波叠加法

建立了机械故障特征提取的声学理论模型,使用了波叠加法重建源表面为任意形状的空间声压场分布,计算出未知声源的数目与位置。提出的算法计算速度快、重建精度高,能够消除临近机器或部件辐射噪声的干扰,从较小的信噪比的观测信号中分离待监测源信号功率谱,有效提取了机械噪声故障特征。     

谱相关特性在机械信号特征提取中的应用研究

将机械振动信号视为循环平稳信号，用循环统计方法进行处理。探讨了循环平稳信号的遍历性及其统计量的时间平均估计方法，着重研究了二阶循环统计量的谱相关特性，指出利用谱相关特性的频率选择性和噪声抑制性可以消除信号中的加性或乘性随机噪声以及非同频成分的干扰，有效地提取出信号特征频率。通过对滚动轴承、注浆泵等旋转和往复机械的振动信号分析表明，谱相关特性在机械信号特征提取方面具有很好的应用价值。     

基于图像处理技术的机械故障诊断研究进展

故障检测和诊断已经成为了当今的研究热点之一,图像信息是一类重要的故障信息形式,通过图像处理技术可以快速、准确的提取故障特征信号。文中介绍了基于图像处理的故障诊断方法的国内外研究现状,指出了基于图像处理的机械故障诊断的应用价值和发展潜力,总结归纳了图像的获取方法、故障图像特征的提取研究,展望了基于图像处理的机械故障诊断方法的发展趋势。     

基于小波包-包络分析的故障特征提取方法

针对齿轮、滚动轴承等的早期损伤类故障，提出将小波包分解作为包络分析的前置处理手段以提取振动信号的故障信息特征。在简述小波包基本原理的基础上．通过仿真信号．对振动信号的具体处理过程进行分析，并对可能遇到的问题．提出处理办法．然后应用于诊断实例。结果表明，该方法能够自由确定振动信号的频带划分并全面获得各频带内隐含的故障特征，且易于实现，有一定的工程应用价值。     

提升小波在齿轮箱故障诊断中的应用

利用小波变换进行信号特征提取时,特征提取效果依赖于小波基的选择。为了避免这一限制,引入一种基于提升小波的根据故障特征波形特点实现小波构造的方法。对齿轮箱振动信号的分析和故障特征信息提取结果表明,利用提升小波能比一般小波更好地与齿轮箱故障特征信号相匹配,提取出更有效的故障特征,为后续的故障诊断和分析提供了良好的条件。     

轴承故障信号的峰值特征扩展电路研究

针对轴承故障早期预测和高速轴承故障诊断的要求,研究了一种轴承故障信号的峰值特征扩展及其复位清零方法。通过峰值保持器和比较器LM339、触发器MC14538、多路开关CD4053实现了轴承故障信号的冲击峰值的适当扩展保持并及时清零复位,这种方法使得轴承故障信号的特征更加明显,同时也避免了高转速下的轴承故障信号的混叠。