基于自适应多尺度形态梯度与非负矩阵分解的轴承故障诊断

轴承故障诊断的关键步骤是信号处理与特征参数提取。提出采用自适应多尺度形态梯度算法对轴承振动信号进行处理,综合利用小尺度下能保留信号细节和大尺度下抑制噪声的优点,可有效地提取振动信号中反映轴承状态的冲击分量;在此基础上提出采用非负矩阵分解技术对信号进行压缩,计算用于轴承故障诊断的特征参量。采用轴承在七种状态下的振动信号对所提出的信号处理和特征参数提取方法进行验证,结果表明：与传统的信号处理与特征参量提取方法相比,本文提出的方法具有更高的轴承故障分类精度,为准确判断轴承工作状态提供了一种行之有效的新方法。     

非负矩阵分解及其应用探讨

介绍非负矩阵分解(non-negative matrix factorization,NMF)的基本算法思想及其实现过程,并对其在一些重要领域内的应用现状进行概括归纳,最后提出NMF方法在图像处理方面存在的问题及其改进的趋势。     

结合连续小波变换和多约束非负矩阵分解的故障特征提取方法

为了在故障早期从信噪比较低的振动信号中提取故障特征,提出了一种结合小波变换和多约束非负矩阵分解振动信号特征提取方法。首先,采用最小小波熵测量提取出最优时频系数矩阵。然后,根据故障特征在系数矩阵中的表现规律,采用基于稀疏性和光滑性约束的非负矩阵分解算法对小波系数矩阵进行非线性降维,从而提取信噪比较高的故障特征。最后,通过仿真数据和实际数据对该方法进行了验证,结果表明该方法能够在时域中提取出微弱的故障特征,实现机械状态的早期故障诊断。     

非负矩阵分解的分布式算法

提出一种解决大规模非负矩阵分解的分布式算法.非负矩阵分解一直是矩阵分解领域中的热点问题之一,已有一些相关的算法.但是,对于大规模的非负矩阵,至今尚无高效的方法.本文采用近来解决大数据的分布式思想和并行式计算方法,并将它们与传统的矩阵分解算法相结合,提出一种基于并行式计算的分布式网络算法,以此实现大规模的非负矩阵分解问题.实验结果表明,所提出的算法较一般的分布式算法与集中式矩阵分解的算法更加有效和快速.     

基于非负矩阵分解与主元分析的时频图像识别方法研究

本文应用非负矩阵分解与主元分析对时频图像处理,在此基础上进行设备状态识别。论述了对振动信号应用Hilbert谱构建二维时频图像,并用非负矩阵分解对时频图像构造特征向量,应用主元分析对提取的特征向量进行了降维处理,并在三维坐标系中进行表示和状态识别。以滚动轴承不同状态的识别为例,验证方法的有效性。研究表明此方法能够提高设备状态识别的准确性,有利于设备故障诊断的发展。     

改进的Kullback-Leibler复非负矩阵分解语音增强算法

针对单通道非负矩阵分解语音增强算法忽略相位信息的问题,提出了一种改进的Kullback-Leibler复非负矩阵分解的语音增强算法。该算法考虑到传统非负矩阵分解算法在复频域中增强语音时目标函数的影响,构建了一种适用于复频域的Kullback-Leibler散度下的目标函数,同时采用频谱一致性约束相位谱补偿算法,使其重构出的语音数据相位谱得到进一步的调制。实验结果表明,对于不同的非平稳噪声,所提出的算法在不同信噪比下均取得了较好的语音增强效果,尤其在低信噪比条件下（0 dB以下）语音增强效果较为明显,性能评估指标的增量较高,较好地克服了由传统相位谱补偿算法造成的信源失真率较低的缺点,进一步减少失真,抑制背景噪声,实现语音增强。     

基于稀疏非负矩阵分解的低空声目标识别

借鉴人耳听觉原理和特征学习的优势,提出了梅尔(Mel)频率谱提取和稀疏非负矩阵分解相结合的方法用于低空飞行目标声信号识别。首先,以不同目标的Mel频率谱为特征矩阵,利用稀疏非负矩阵分解方法学习得到各自的模板矩阵;然后,利用按列合并后的模板矩阵对训练/测试样本进行特征分解获得编码系数,该系数可作为分类特征;最后,结合不同目标的特点,采用分频段特征提取和顺序二类分类的方法进行多目标分类,并与Mel频率倒谱系数进行性能比较。结果显示,无论在单类目标辨识还是在多类目标分类中,稀疏非负矩阵分解方法均取得了更好的效果。     

基于非负矩阵分解的机场噪声监测点优化布局

近年来国内民航迅速发展,机场的新建、扩建和航空运输量的持续增长使得机场噪声污染事件不仅持续上升,而且噪声污染程度也日益加重,因而强化机场附近噪声污染的监测对机场建设及其环境评估十分重要。针对机场噪声污染监测问题,提出一种基于非负矩阵分解(NMF)方法对机场噪声监测点布局问题进行优化求解。该方法以大量网格点作为候选监测点,对单个飞机噪声事件候选监测点的噪声值所形成的矩阵按非负矩阵分解进行区域划分,得到噪声影响子区域。进一步以各子区域的中心点作为该区域的噪声影响代表点,以此确定机场噪声监测点数目和位置。研究结果表明所获得的解比贪心算法得到的解更优,需要的监测点更少。     

基于图非负矩阵分解的图像配准

本文提出一种新的利用图的谱对应绝对值特征向量的非负矩阵分解图像配准方法.首先利用图像特征构造了无向权图的非负权矩阵,通过非负矩阵分解得到了包含原始图像全部特征的特征基图像;然后将非负权矩阵谱对应绝对值特征向量作为非负矩阵分解的初始值进行迭代,既能反映图的结构特征信息,又能提高图像的匹配率;最后在特征基向量空间找到了两图...     

非负矩阵分解在地震作用下结构随机响应分析中的应用

地震动作为一类典型的非平稳随机过程可由演变谱刻画其能量的时-频分布。然而,演变谱的时-频耦合特性却限制了经典谱表示法的模拟效率。为提高非平稳地震动模拟效率,简化非平稳地震作用下结构随机响应分析,提出了基于非负矩阵分解(nonnegative matrix factorization,NMF)的地震动演变谱解耦方案,使结构在非平稳地震作用下的响应计算简化为各项均匀调制激励下的结构随机响应叠加。分析结果表明,基于非负矩阵分解的地震动演变谱解耦具有良好的精度,快速傅里叶变换技术的引入提高了经典谱表示法的模拟效率,模拟样本自相关函数与目标值吻合良好,非平稳地震作用下结构随机响应频域分析得到简化。     

基于自适应多尺度形态梯度变换的滚动轴承故障特征提取

滚动轴承故障信号是一种典型的周期性冲击信号,如何从含有强噪声的振动信号中有效的提取出冲击特征信号是轴承故障诊断的关键。基于数学形态学理论,本文提出了一种自适应多尺度形态梯度变换（AMMG）方法,它能够在有效抑制噪声的同时很好的保留信号的细节。仿真信号和实测轴承故障信号的分析结果表明,与常用的包络解调分析和近来提出的另一种基于数学形态学的形态闭变换方法相比析,自适应多尺度形态梯度变换具有更强的噪声抑制和脉冲提取能力,并且计算简单、快速,为滚动轴承故障特征提取提供了一种有效的方法。     

《基于EMD与AR模型的柴油机故障诊断》

柴油机气缸盖振动信号是一种典型的非平稳时变信号,用传统的时频分析难以得到满意的效果,用时域区间分析难以实现实时诊断,而小波分析则存在小波基函数选择困难等问题。本文采用经验模式分解EMD方法对振动信号进行分解,得到固有模态函数IMF,对每一个IMF分量分别建立AR模型,以模型的自回归参数和残差的方差作为特征向量,用支持向量机SVM进行分类,判断柴油机的工作状态和故障类型。实验结果分析表明,该方法即使在小样本情况下也能准确有效地诊断柴油机故障,能实现故障的实时自动化诊断。在不同转速时,需选用新转速工况下的数据作为训练样本,以保证分类准确率。