论文部分内容阅读
旋转机械细粒度故障智能诊断是现代工业领域中不可或缺的一项工作。考虑到旋转机械一维振动信号是复杂和非平稳的,本文结合信号的时频分析理论、深度半负矩阵分解(Deep Semi-NMF)和多层级联细粒度故障检测模型,提出了基于时频图像和多层次稀疏编码的细粒度故障级联检测框架。该框架分为时频图像构建、多层次稀疏编码和多层级联分类模型三部分,用以实现旋转机械故障的细粒度故障识别。由于传统时频分析方法的聚焦性不强和交叉项较严重等问题,利用S变换(ST)理论和多次同步压缩理论,提出了新颖的多次同步压缩S变换(MSSST)时频算法,并结合非局部均值(NLM)去噪算法来构建旋转机械一维振动信号的时频图像。该算法通过多次迭代压缩S变换,使得S变换的时频系数得到了多次重分配,这样大大提高了时频系数的聚焦性。在仿真实验中,通过与短时傅里叶变换(STFT)、ST、同步压缩变换(SST)、二阶同步压缩变换(SST2)和多次同步压缩变换(MSST)算法进行对比实验,MSSST时频图像视觉效果要优于其他时频图像,MSSST生成的时频图像对应的熵值为0.4938,均小于其他时频图像,并且MSSST算法只需迭代压缩3次即可达到理想的效果,可以得出MSSST的聚焦性要优于其他算法。鉴于时频图像维数过高等问题,采用非负矩阵分解理论,并结合稀疏表达理论,提出了基于深度半非负矩阵分解(Deep Semi-NMF)和正交匹配追踪(OMP)算法的多层次稀疏编码模型。首先,该模型利用深度半非负矩阵分解理论和小批量迭代算法,设计了一种多层次基础矩阵的求解步骤;然后,在多层次基础字典上,引入OMP稀疏表达算法来提取时频图像样本对应的多层次特征向量;最后,将得到的特征向量集用来训练线性SVM,并用测试集来测试算法的准确率。在MFPT数据集上的实验表明,该特征提取模型的故障识别准确率可以到达97.82%,均高于其他矩阵分解模型。针对旋转机械细粒度故障诊断的复杂性,采用时频图像分析理论和多层次稀疏编码算法,提出了一种基于时频图像和多层次稀疏编码的两层级联检测框架。该框架首先利用多次同步压缩S变换(MSSST)算法来构造一维振动信号的时频图像;然后,利用Deep Semi-NMF和OMP算法提取时频图像的两个层次稀疏特征;最后,利用两个层次的特征集分别来训练两层级联分类器框架。该训练好的框架分两步对测试集进行细粒度故障识别,第一步识别出测试样本的基本故障类别,第二步识别出基本故障的破坏程度。在CWRU数据库上的实验表明,本文的检测框架对应的细粒度故障识别准确率可以达到98.92%,均高于其他算法。