稀疏表征在滑动轴承转子特征提取中的应用

针对实测的主轴位移信号存在噪声污染的问题,提出一种稀疏表征特征提取算法（简称稀疏算法）,该算法包括字典集构造和稀疏系数求解两个步骤：根据转子信号的周期性特点构造余弦字典,采用匹配追踪算法根据内积最大原则求解稀疏系数。采用该算法对低信噪比仿真信号中的单个频率和多个频率成分分别进行提取,提取信号的波形与对应的理想信号波形几乎完全重合,从而验证了所提算法的有效性。将此稀疏算法用于大型滑动轴承试验台转子的轴心轨迹提纯,效果优于谐波小波算法。采用笔者提出的算法得到的轴心轨迹清晰、集中,成功识别了转子的晃荡以及不对中状态。此外,该算法同样适用于其他旋转机械的状态识别。     

基于深度融合策略的转子轴心轨迹识别研究

针对以人工特征为输入的旋转机械故障的传统智能识别方法的精度较低及深度学习方法对数据量依赖性强的问题,鉴于Hu不变矩具有伸缩、平移及旋转不变性的特点及无监督深度学习模型在小样本数据特征提取方面的优势,提出了一种融合Hu不变矩及深度卷积自动编码特征的故障诊断模型（deep convolutional auto?encoder fault diagnosis model,简称DCAE?FDM）。首先,采用有效奇异值法对原始振动信号进行提纯,得到提纯的轴心轨迹集,并按一定比例划分为训练集和测试集,分别计算出它们的Hu不变矩特征;其次,利用所构造的DCAE?FDM模型对轴心轨迹进行自适应特征提取,得到深度自动编码特征;然后,将Hu不变矩与深度自动编码特征进行融合,并将训练集的融合特征作为输入对BP神经网络进行训练;最后,采用测试集的融合特征对训练好的模型进行测试。试验结果表明,所提方法的识别效果明显优于深度学习方法及传统识别方法,所提方法的平均准确率达98.5%,比次优模型高出约6个百分点。     

改进PCA算法及其在转子特征提取中的应用

针对传统主成分分析(principal component analysis, 简称PCA)方法中有效主成分的选择依赖于先验知识的缺点，提出利用协方差矩阵特征值差分谱的概念来描述有效主成分与次要成分的特征值差异性。首先，通过理论推导得出奇异值与特征值之间关系，即奇异值与特征值之间存在平方关系；其次，利用差分谱理论进一步研究了Hankel矩阵方式下PCA信号处理原理；最后，提出一种基于差分谱理论的PCA算法，通过仿真信号验证该算法的有效性。研究结果表明，根据协方差矩阵特征值差分谱的最大峰值位置可自动选择有效主成分的个数，且通过不同谱峰之间的分量信号的组合可以提取出不同的频率成分。将此PCA算法用于大型滑动轴承试验台转子的轴心轨迹提纯,提纯效果优于传统PCA算法。