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。     

基于连续小波系数非线性流形学习的冲击特征提取方法

为了提取机械设备故障引发的冲击成分,提出了一种基于连续小波系数非线性流形学习的冲击故障特征提取方法。首先,基于小波熵方法优化出最优的Morlet小波波形参数,实现与冲击特征成分的最佳匹配,获取包含冲击特征信息的最优小波系数矩阵。其次,采用局部切空间排列算法对最优小波系数矩阵进行非线性约简,并基于峭度指标最大化原则,确定出特征空间中的有效低维嵌入,从而提取出最优的冲击故障特征。最后,通过仿真数据和工程实际的应用对比分析,表明该方法采用了局部线性化和全局排列的思想,与线性奇异值分解方法相比,不仅在时域上提取出峭度更大的微弱冲击特征成分,而且在频谱中还提取出了相应的低频故障特征。     

基于稀疏表示的故障敏感特征提取方法

针对故障诊断中的特征选择问题,提出一种基于非负稀疏表示的低维敏感特征提取方法。为了增强主分量的可解释性,针对L1-范数优化目标,通过权系数的稀疏和非负约束实现非负稀疏主分量的提取。采用主分量特征的累积方差变化率自适应地确定稀疏度,并依据稀疏分量与原始特征少关联的需求确定稀疏分量的数目,实现敏感特征的优化提取。通过仿真数据的分析表明,非负稀疏分量不仅提取出描述原始数据分布的敏感特征,还提高了数据的聚类性能。将该方法应用于滚动轴承的多种故障状态识别中,在由非负稀疏主分量构成的特征空间中,数据的聚类效果优于主分量特征空间;综合分析稀疏参数的选取和敏感特征的提取过程,表明提出的稀疏表示方法不仅能自适应地确定稀疏度,还能有效地获取原始特征的敏感程度,为故障诊断特征提取提供了很好的解决方案。     

基于人工免疫调节网络的数据聚类方法研究

基于Jerne的独特型网络调节学说（Idiotypic Network Regulation）,探讨了免疫记忆算子、亲合度成熟算子、免疫克隆算子以及其他一些人工免疫算子,并进一步利用这些算子构造了一种新的基于人工免疫调节网络的聚类算法,即人工免疫调节网络算法,接着给出了算法的收敛性和计算复杂性说明。最后,利用计算机生成数据、标准聚类测试集数据和某多级压缩机故障数据,验证算法的有效性,结果表明该算法具有数据浓缩率高和准确率高的优点。     

小波－奇异值分解在异步电机转子故障特征提取中的应用

针对电流信号中异步电机的转子故障特征分量经常被电源频率分量淹没而无法准确检测的缺点,提出了一种基于小波-奇异值分解的转子故障特征提取方法。通过连续小波变换将电流信号中的各特征频率分量转换到时频分布空间中,对该时频空间进行奇异值分解将各特征频率分量分解到不同的正交特征子空间中,对特征子空间的选择重构可以有效地滤除电源频率分量而提取出转子故障特征分量。模拟数据和实际故障信号的应用表明,该方法提供了一种可实际应用的异步电机转子故障诊断方法。     

求解TSP问题的三角形编码抗体克隆选择算法

在探讨遗传算法求解TSP问题中编码方式和交叉、变异算子作用特点的基础上,发现模板理论已经不能很好地适应TSP问题,主要是因为非二值符号编码和交叉算子对边的过度破坏导致子代难以继承父代的优良模式．为了克服上述问题,提出一种三角形表示的路径编码方案,并给出相应的启发式路径搜索策略;引入生物免疫系统的克隆选择机理加强局部搜索,进而构造一种适合TSP问题求解的人工免疫系统算法--超变异抗体克隆选择算法(HACSA)．典型TSP问题的求解表明,和Endoh等人的免疫算法和遗传算法相比,HACSA的计算复杂度相当,60％以上的求解结果达到或者超过问题已知的最优值,而相应的免疫算法和遗传算法几乎均陷入局部极值,无法获得满意的求解结果．     

基于模块性准则函数的模糊免疫网络聚类算法及其在故障诊断中的应用

为了改善免疫网络聚类算法的效果,进一步提高算法的数据浓缩率和分类正确率,设计新的抗体变异策略和独特型网络调整机制,提出免疫网络聚类新算法。首先,借鉴Timmis的人工识别球概念,结合模糊理论,构造独特型模糊免疫识别超球对抗体网络实现更新,并利用复杂网络中反映社群结构特征的模块性指标,构造模块性聚类准则函数,提出基于模块合并的记忆抗体提取算法,实现抗体网络的自适应压缩;其次,基于免疫网络聚类策略,提出基于模块性准则函数的模糊免疫网络聚类算法,UCI数据集的试验分析表明,该算法能够获取合理的记忆抗体网络,提高了算法的数据浓缩率和分类正确率;最后,将算法应用于一个四级往复式压缩机的故障诊断中,与aiNet等免疫网络聚类算法相比,获取较高正确率的同时大大提高了浓缩率,对故障诊断具有重要意义。     

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。