局部鲁棒主成分分析及其在故障诊断中的应用

机械设备故障振动信号的分析一般需要经过特征提取,然而由于背景噪声或者环境干扰的存在使得信号的信息适用性下降,从而导致特征提取存在很大的困难.一种新的局部鲁棒主成分分析的降噪方法被提出,该方法假设数据矩阵在有限个局部区域可以分解为表示信号特征信息的低秩成分和代表噪声的稀疏成分的加权和,且矩阵只需在局部区域具有低秩的属性而不必要满足全局低秩的强条件,并通过有限个局部低秩矩阵的平滑凸组合来全局逼近原始矩阵.通过仿真实验和实测的轴承外圈故障数据的分析,证明了提出的方法具有较强的降噪和特征提取效果.     

基于低秩稀疏分解的采煤机轴承复合故障分离

针对采煤机截割部轴承故障信号噪声和干扰大、为非平稳信号、难于实现复合故障分离等问题,提出基于低秩稀疏分解的采煤机轴承复合故障分离。首先,将混合信号经低秩稀疏分解后得到低秩组分和稀疏组分,利用快速独立成分分析（Fast-ICA）将低秩组分还原得到一组故障源信号;其次,利用经验模态分解（EMD）将稀疏组分分解为频率层次不同的内涵模态函数,计算内涵模态函数的频率成分,将内涵模态函数中包含微弱故障频谱特征的成分作为另一组源信号;最后,采用Tensor Flow平台对模型进行编程,通过数据集仿真分析和实验验证。该方法可以有效地将轴承内圈、外圈故障和滚动体故障分离开,为采煤机轴承复合故障分离提供了新的思路。     

非凸罚正则化稀疏低秩矩阵的大型减速机圆锥滚子轴承微弱故障诊断

在强烈外界噪声下或轴承故障早期发展阶段,从轴承非平稳故障信号中提取微弱冲击成分是一个难点,针对这一问题,提出了一种新的基于非凸罚正则化稀疏低秩矩阵（Non-convex penalty regularization sparse low-rank matrix,NPRSLM）的轴承微弱故障特征提取方法。该方法不依赖振动信号结构的先验知识,也无需采集大量的样本信号来训练字典,避免了传统稀疏表示设计冗余字典带来的缺乏物理意义,通用性差等缺陷。该方法的核心思想是把采集的振动信号与待提取的故障脉冲看作一维矩阵（向量）,通过求解稀疏正则化的反问题得到故障脉冲信号。在建模上,通过引入非凸罚函数代替了传统最小化L1-norm融合套索算法,建立非凸罚正则化稀疏低秩矩阵模型,理论推导了所建立模型的严格凸性,并利用交替方向乘子法（Alternating direction method of multipliers,ADMM）对模型进行求解,同时讨论了模型参数对模型算法的收敛性问题、凸性与非凸性边界取值问题等。仿真算例与大型减速机圆锥滚子轴承诊断实例表明：该方法不仅能提取隐藏在强烈外界噪声中的微弱冲击特征,而且改善了传统最小化L1-norm融合套索算法在提取微弱故障冲击时产生的脉冲能量大幅衰减与脉冲数目丢失问题。     

基于信号共振稀疏分解和最大相关峭度解卷积的齿轮箱故障诊断

当齿轮箱内旋转零件发生故障时,其振动信号中的故障脉冲成分易被箱体中其他旋转部件的谐波信号和背景噪声所淹没,故障特征难以被有效提取。针对这一问题,提出了基于信号共振稀疏分解和最大相关峭度解卷积的故障诊断方法。该方法首先通过信号共振稀疏分解将信号中的低共振冲击成分从谐波分量和噪声中分离,然后对低共振分量进行最大相关峭度解卷积计算,进一步突出低共振分量中的周期脉冲成分,最后通过包络谱分析进行故障诊断。算法仿真、实验分析和工程应用结果表明,该方法能够有效提取强噪声信号中的周期性冲击成分,凸显故障特征,从而提供准确可靠的诊断结果。     

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。     

基于低秩稀疏分解算法的铣床齿轮箱故障诊断

铣床齿轮箱的安全运行对保证机械设备的效率具有重要的作用,其故障诊断复杂难控。传统形式算法只是从原始振动信号中进行字典原子学习,并未从本质层面分析特征信息物理结构特性。采用低秩稀疏分解算法,并进行BCD求解对齿轮箱故障诊断开展分析。研究结果表明：特征信号已淹没到了噪声中,能够对等间隔冲击特征进行准确识别,并使特征信号信噪比由-9.152增大为4.716。表明采用稀疏低秩算法能够滤除噪声干扰,从而高效识别瞬态冲击成分。经过3次迭代后特征信号发生了奇异值快速衰减现象,具有明显稀疏特性。低秩稀疏分解信号形成的包络谱,已经实现了所有干扰频率成分以及噪声成分的滤除效果,采用低秩稀疏分解算法能够实现齿轮箱局部故障的准确诊断。     

基于张量分解的滚动轴承复合故障多通道信号降噪方法研究

针对滚动轴承多通道信号同时滤波的问题,提出一种新的基于张量分解的多维降噪技术。该方法在高维空间中将时域信号、频率和通道建模为一个三阶张量模型,首先通过Tucker3分解张量模型,然后通过L曲线准则来选取截断高阶奇异值分解(Truncated HOSVD)的截断参数,根据截断参数求解张量模型,最后根据原张量的组建方式通过逆变换得到新的目标张量。通过滚动轴承复合故障仿真分析对所提出的滚动轴承复合故障检测技术的性能进行了评价,然后应用该方法对轴承试验台采集的振动信号进行降噪分析,试验结果表明该方法在滚动轴承复合故障多维降噪以及特征提取中的有效性和可行性。基于张量分析的多维信号滤波技术将拓宽大数据时代处理异构、多维数据的视野。     

多源稀疏优化方法研究及其在齿轮箱复合故障检测中的应用

齿轮箱因其工作环境恶劣,极易出现复合故障,其故障振动信号往往包含多种成分且伴随着强烈的背景噪声,给齿轮箱故障诊断带来了很大的困难.稀疏分解能够在强背景噪声下有效地提取微弱故障特征,针对传统稀疏分解方法存在信号保真能力欠缺,目标函数非凸导致局部最优解,模型通用性差等问题,基于广义极小极大凹(Generalized minimax concave,GMC)惩罚函数推导构建了具有保凸性的多源稀疏优化目标函数,并利用前向后向分裂(Forward-backwardsplitting,FBS)算法,基于Laplace小波字典,Morlet小波字典与DFT字典分别求解轴承瞬态成分,齿轮瞬态成分,谐波成分的稀疏表示,最终实现各成分的准确提取.仿真信号和试验信号的分析均验证了所提出的模型能够在不需要故障具体数目的先验知识下,准确实现齿轮箱复合故障的信号分解和故障诊断.     

改进的低秩稀疏分解及其在目标检测中的应用

针对传统低秩稀疏分解算法用于运动目标检测时,前景提取结果容易受噪声干扰以及检测结果不完整的问题,提出了一种新的低秩稀疏分解模型。考虑到视频前景目标呈结构化分布,以及动态背景对前景提取结果造成影响,该模型利用结构化稀疏范数对前景进行约束,且将稀疏部分所代表的运动区域进一步划分为动态背景部分与前景部分;然后采用广义交替方向乘子法对提出的模型进行求解,并分析了算法的复杂度;最后进行仿真实验将其应用到运动目标检测中。实验数据结果验证了提出的方法比其他基于低秩稀疏分解的运动目标检测方法更加稳定有效,更具有普适性,且对不同类型的噪声均具有一定的抗噪性。     

基于张量奇异谱分解的机械故障特征提取方法研究

提出了将张量奇异谱分解运用于机械故障诊断特征提取,张量奇异谱分解(TSSA)是传统奇异谱分解(SVD)的扩展。由于传统奇异谱分解在处理非平稳、非线性的信号效果不理想,故障特征不明显。因此将传统的奇异谱分解延伸到三阶张量分解中,从而将一维的时间序列转换成为三阶的张量,然后运用标准(PARAFAC)张量分解,标准(PARAFAC)张量分解是把秩为R的张量分解为R个秩-1的张量的和,分解出原始张量的因子矩阵和权重,并重构回一维信号进而对信号的时域和频域做出分析。为了证明方法的有效性,将该方法应用于轴承故障信号的特征提取中,分别运用了仿真和实测信号做了分析,结果表明该方法不仅能有效地抑制噪声,明显地提取轴承故障信号特征,而且其效果要优于传统的奇异谱分解方法,具有一定的工程实践价值。