机械故障特征具有周期性、稀疏性以及被噪声污染严重特点,而大部分特征抽取方法(如局部线性嵌入(locally linear embedding,LLE)、局部切空间排列(local tangent space alignment,LTSA))性能往往受到噪声影响.因此,抑制振动信号噪声、...机械故障特征具有周期性、稀疏性以及被噪声污染严重特点,而大部分特征抽取方法(如局部线性嵌入(locally linear embedding,LLE)、局部切空间排列(local tangent space alignment,LTSA))性能往往受到噪声影响.因此,抑制振动信号噪声、抽取有效故障特征成为机械故障检测的关键.本文提出融合奇异值分解与周期重叠簇稀疏(reweighted singular value decomposition integrating with periodic overlapping group sparsity,RSVD-POGS)的机械故障稀疏特征抽取方法.该方法首先利用RSVD把多成分振动信号分解为奇异成分集合,并使用周期调制强度(periodic modulation intensity,PMI)准则选择有效奇异成分,然后使用POGS从奇异成分提取稀疏周期冲击特征,并由选择的奇异成分重构原始信号,增强周期稀疏故障信号特征.最后,使用低SNR仿真周期冲击信号对RSVD-POGS算法与POGS方法进行对比,并将RSVD-POGS方法应用于实验台轴承正常和故障信号的特征提取中.实验结果表明,该算法可以有效地提取稀疏微弱故障特征,具有较大的优越性.展开更多
针对变转速、变负载条件下的电机故障诊断问题,提出了一种基于自相关矩阵奇异值分解(Singular Value Decomposition,SVD)的特征提取和迁移学习分类器相结合的诊断方法。对于Hankel矩阵提取的奇异值向量,设计了平均曲率区分度指标来描述...针对变转速、变负载条件下的电机故障诊断问题,提出了一种基于自相关矩阵奇异值分解(Singular Value Decomposition,SVD)的特征提取和迁移学习分类器相结合的诊断方法。对于Hankel矩阵提取的奇异值向量,设计了平均曲率区分度指标来描述特征差异性,迁移学习TrAdaBoost算法通过迭代过程中调节辅助振动数据的权重来帮助目标数据学习,提升了分类正确率,同时利用向量夹角余弦进行可迁移度检测从而避免负迁移。试验结果表明,SVD无需利用故障先验知识,具有通用性,且迁移学习相比传统机器学习在目标振动数据较少条件下性能得到显著提升。展开更多
文摘机械故障特征具有周期性、稀疏性以及被噪声污染严重特点,而大部分特征抽取方法(如局部线性嵌入(locally linear embedding,LLE)、局部切空间排列(local tangent space alignment,LTSA))性能往往受到噪声影响.因此,抑制振动信号噪声、抽取有效故障特征成为机械故障检测的关键.本文提出融合奇异值分解与周期重叠簇稀疏(reweighted singular value decomposition integrating with periodic overlapping group sparsity,RSVD-POGS)的机械故障稀疏特征抽取方法.该方法首先利用RSVD把多成分振动信号分解为奇异成分集合,并使用周期调制强度(periodic modulation intensity,PMI)准则选择有效奇异成分,然后使用POGS从奇异成分提取稀疏周期冲击特征,并由选择的奇异成分重构原始信号,增强周期稀疏故障信号特征.最后,使用低SNR仿真周期冲击信号对RSVD-POGS算法与POGS方法进行对比,并将RSVD-POGS方法应用于实验台轴承正常和故障信号的特征提取中.实验结果表明,该算法可以有效地提取稀疏微弱故障特征,具有较大的优越性.
文摘针对变转速、变负载条件下的电机故障诊断问题,提出了一种基于自相关矩阵奇异值分解(Singular Value Decomposition,SVD)的特征提取和迁移学习分类器相结合的诊断方法。对于Hankel矩阵提取的奇异值向量,设计了平均曲率区分度指标来描述特征差异性,迁移学习TrAdaBoost算法通过迭代过程中调节辅助振动数据的权重来帮助目标数据学习,提升了分类正确率,同时利用向量夹角余弦进行可迁移度检测从而避免负迁移。试验结果表明,SVD无需利用故障先验知识,具有通用性,且迁移学习相比传统机器学习在目标振动数据较少条件下性能得到显著提升。
