基于稀疏表示的故障敏感特征提取方法.pdfVIP

基于稀疏表示的故障敏感特征提取方法* 1, 2 1 1 栗茂林 梁 霖 王孙安 (1. 西安交通大学机械工程学院 西安 710049 ； 2. 西安交通大学工程坊 西安 710049) 摘要：针对故障诊断中的特征选择问题，提出了一种基于非负稀疏表示的低维敏感特征提取方法。为了增强主分量的可解释 性，对 L 1-范数优化目标，通过权系数的稀疏和非负约束实现非负稀疏主分量的提取。采用主分量特征的累积方差变化率自 适应地确定稀疏度，并依据稀疏分量与原始特征少关联的需求确定稀疏分量的数目，实现敏感特征的优化提取。通过仿真数 据的分析表明，非负稀疏分量不仅提取出描述原始特征数据分布的敏感特征，还提高了数据的聚类性能。将该方法应用于滚 动轴承的多种故障状态识别中，在由非负稀疏主分量构成的特征空间中，数据的聚类效果优于主分量特征空间；综合分析稀 疏参数的选取和敏感特征的提取过程，表明提出的稀疏表示方法不仅能自适应地确定稀疏度，还能有效地获取原始特征的敏 感程度，为故障诊断特征提取提供了很好的解决方案。 关键词：稀疏表示 主分量分析 特征提取 故障诊断 中图分类号：TH17 Sensitive Feature Extraction of Machine Faults Based on Non-negation Sparse Representation LI Maolin1, 2 LIANG Lin1 WANG Sunan1 (1. School of Mechanical Engineering, Xi’an Jiaotong University, Xi’an 710049; 2. Engineering Workshop, Xi’an Jiaotong University, Xi’an 710049) Abstract ：To treat the feature selection for mechanical fault diagnosis, a novel method is proposed to find the low-dimensional non-negation sparse principal component representations from the feature set of the measured signals. In facilitating the interpretation of the extracted principal components, combine non-negative and sparse constraints with the L 1-norm variance, the non-negative sparse components can be selected. The cumulative percentage of variance explained is used to select the optimal sparsity of the principal components, and the number of principal components is decided by the demand of sparsity in fault diagnosis. The experimental results from simulation data and the ball bearing vibration analysis show that the proposed method is more effective for machine