[发明专利]一种非负矩阵分解的轴承故障特征提取和诊断方法

摘要

一种非负矩阵分解的轴承故障特征提取和诊断方法，对加速度传感器采集轴承振动信号通过短时傅里叶变换获得其对应的幅值谱，并随机选取幅值谱并使其向量化，然后将其重新组合成训练集矩阵。通过对其使用基于欧氏距离的非负矩阵分解乘性迭代算法，可以提取出含有故障特征量的基矩阵。结合各类型的基矩阵就能够获得关于轴承的过完备特征原子库。最后将测试信号的幅值谱向特征原子库投影，依照编码矩阵中每列（行）最大值的分布判断测试信号所属故障类型，本发明降低了轴承故障特征算法的难度，提高了运算效率，改善了识别效果。

主权项

1.一种非负矩阵分解的轴承故障特征提取和诊断方法，其特征在于，包括以下步骤：1）利用加速度传感器采集滚动轴承的振动信号x_i(n)，n为采样点数，n为大于零的整数，i为信号编号；2)利用短时傅里叶变换，计算得到振动信号x_i(n)的时频分布S_i，其中滑移窗长为[1/2³*n,1/2*n]；3）对经过变换得到的时频分布S_i取模，只保留幅值信息|S_i|,并将所有的幅值谱|S_i|矩阵向量化；4）从第i类信号中，任意选取一部分向量化后的幅值谱构成训练集V_train(i)={υec(|S₁|),υec(|S₂|),...,υec(|S_t|)}   （1）5）根据非负矩阵分解的定义DF(v||WH)=12||V-WH||F2---(2)]]>对V_train(i)进行分解，得到V_train(i)≈W_n×r(i)H_r×m(i)   （3）其中W_n×r(i)是基矩阵，视为提取的特征，而H_r×m(i)是权系数矩阵；6）将各类信号的基矩阵W_n×r(i)组合排列为一个滚动轴承故障的过完备原子库W_train，W_train={W_n×r(1),W_n×r(2),...,W_n×r(T)}   （6）7）提取振动测试信号y(n)，通过短时傅里叶变换获得只包含幅度信息的时频谱|Y|；8）将幅值谱|Y|向训练阶段原子库W_train投影，根据非负矩阵分解的聚类特性，实现故障识别。