一種非負矩陣分解的軸承故障特征提取和診斷方法
【專利摘要】一種非負矩陣分解的軸承故障特征提取和診斷方法，對加速度傳感器采集軸承振動信號通過短時傅里葉變換獲得其對應的幅值譜，并隨機選取幅值譜并使其向量化，然后將其重新組合成訓練集矩陣。通過對其使用基于歐氏距離的非負矩陣分解乘性迭代算法，可以提取出含有故障特征量的基矩陣。結合各類型的基矩陣就能夠獲得關于軸承的過完備特征原子庫。最后將測試信號的幅值譜向特征原子庫投影，依照編碼矩陣中每列（行）最大值的分布判斷測試信號所屬故障類型，本發明降低了軸承故障特征算法的難度，提高了運算效率，改善了識別效果。
【專利說明】一種非負矩陣分解的軸承故障特征提取和診斷方法
【技術領域】
[0001]本發明涉及軸承典型故障特征、診斷【技術領域】，具體涉及一種非負矩陣分解的軸承故障特征提取和診斷方法。
【背景技術】
[0002]軸承作為現代機械設備中最普遍、最關鍵的零件之一，其運行狀態將對整個設備的使用性能起到決定性的作用。所以，盡早發現產生的故障能夠避免許多嚴重的后果。作為應用最廣泛的方法之一，振動分析能夠在頻域下，從振動信號中判斷運行狀態并識別故障，但已有的方法往往需要較高的專業背景。因此，在過去的幾十年中，更多易于推廣的并具備穩定評判結果的技術逐漸成為了研究的重點，而且，許多智能方法已經在工業生產中得到了應用，極大的提高了診斷的自動化程度和準確性。
[0003]特征提取被視為診斷流程中最重要的一環，適當的處理技術能夠準確提取與機械零部件的運行狀態相關的特征分量。但是，目前主流的提取分析方法計算原理復雜，結果物理意義不強，準確率不高。如何優化計算方法并提高準確率，依然是故障診斷過程中迫切需要解決好的問題。
[0004]為了有效的提取出軸承振動信號中的微弱特征量，非負矩陣分解提供了一種有效的手段，即通過分解的非負的原始數據矩陣，實現非線性的信號特征提取。然而在實際測量中，振動信號大多為同時含有正負值的一維信號，無法滿足非負矩陣分解的處理條件，因此，考慮首先將所采集的信號變換到時頻域下。而在得到特征量之后的信號識別中，目前的研究主要采用支持向量機或人工神經網絡等方法，在計算效率和準確性方面依然有很大的優化前景。而充分利用非負矩陣分解方法的聚類能力實現故障信號自動識別的技術還未得到應用。

【發明內容】

[0005]為了解決上述的技術不足，本發明的目的在于提供一種非負矩陣分解的軸承故障特征提取和診斷方法，解決了對于軸承故障信號的特征提取與模式聚類問題，從而實現故障模式的自動識別。
[0006]為了達到上述的目的，本發明所采用的技術方案是:
[0007]—種非負矩陣分解的軸承故障特征提取和診斷方法，包括以下步驟:
[0008]I)利用加速度傳感器采集滾動軸承的振動信號Xi (η)，η為采樣點數，η為大于零的整數，i為信號編號；
[0009]2)利用短時傅里葉變換，計算得到振動信號Xi (η)的時頻分布Si,其中滑移窗長為[1/23*η, 1/2*η]；
[0010]3)對經過變換得到的時頻分布Si取模，只保留幅值信息I S丄并將所有的幅值譜SiI矩陣向量化；
[0011]4)從第i類信號中，任意選取一部分向量化后的幅值譜構成訓練集[0012]
【權利要求】
1.一種非負矩陣分解的軸承故障特征提取和診斷方法，其特征在于，包括以下步驟: 1)利用加速度傳感器采集滾動軸承的振動信號Xi(η)，η為采樣點數，η為大于零的整數，i為信號編號； 2)利用短時傅里葉變換，計算得到振動信號Xi(η)的時頻分布Si,其中滑移窗長為[1/23*η, 1/2*η]； 3)對經過變換得到的時頻分布Si取模，只保留幅值信息IS丄并將所有的幅值譜Isi矩陣向量化； 4)從第i類信號中，任意選取一部分向量化后的幅值譜構成訓練集 Vtrain ⑴={> ec (I S11)，υ ec (I S21),..., υ ec (| St |)} (I) 5)根據非負矩陣分解的定義
【文檔編號】G01M13/04GK103728135SQ201310693212
【公開日】2014年4月16日 申請日期:2013年12月16日 優先權日:2013年12月16日
【發明者】梁霖, 劉飛, 高慧中, 徐光華 申請人:西安交通大學