基于多核非负矩阵分解的机械故障诊断.pdfVIP

２０１５年４月 西 北 工 业 大 学 学 报 Ａｐｒ． ２０１５ 第３３卷第２期 Ｊｏｕｒｎａｌ ｏｆ Ｎｏｒｔｈｗｅｓｔｅｒｎ Ｐｏｌｙｔｅｃｈｎｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙ Ｖｏｌ．３３ Ｎｏ．２ 基于多核非负矩阵分解的机械故障诊断 １，２ １ １ 杨永生 ，张优云 ，朱永生 （１．西安交通大学 机械工程学院，陕西 西安　 ７１００４９；２．陕西省行政学院计算机系，陕西 西安　 ７１００６８） 摘　 要：在机械设备故障诊断研究领域中，系统采集的原始监测数据经过处理得到的结果往往是数据 量很大，维数很高的图像数据，因此，从高维图像中获取敏感特征是当前故障诊断领域中面临的一项 关键技术。 本文提出了基于多核非负矩阵分解的机械设备故障诊断方法，该方法克服了传统故障诊 断需对机械设备信号进行特征提取而造成信息丢失，通过应用多核非负矩阵分解方法进行降维，然后 结合多核支持向量机实现对降维后的数据直接进行识别。 实验证明该方法可降低原始数据特征的维 数，提高分类运算的效率以及故障诊断的识别率。 关　 键　 词：多核非负矩阵分解；支持向量机；故障诊断；数据降维 中图分类号：ＴＰ３９１　 　 　 文献标志码：Ａ　 　 　 文章编号：１０００⁃２７５８（２０１５）０２⁃０２５１⁃０８ 　 　 随着高科技和生产力的迅猛发展，各类大型机 已经作了大量的研究工作，但在具体应用过程中存 械设备的智能化程度不断提高，结构日趋复杂，设备 ［４⁃６］ 在局限性而不能满足生产的需要 。 因此，针对 的造价也越来越高，对机械设备的可靠性提出了更 上述问题，本文提出了基于多核非负矩阵分解 高的要求。 近几年，国内外因机电设备故障而引起 （ ｍｕｌｔｉ⁃ｋｅｒｎｅｌ ｎｏｎ⁃ｎｅｇｔｉｖｅ ｍａｔｒｉｘ ｆａｃｔｏｒｉｚａｔｉｏｎ， 的灾难性事故屡屡发生，不但造成了巨大的经济损 ＭＫＮＭＦ）的机械设备故障诊断方法，该方法不需要 ［１］ 失而且经常还有重大人员伤亡 。 因此，机械设备 对机械设备信号处理获得的图形或图像提取特征， 故障诊断技术逐渐受到广泛关注，对机械设备进行 而是应用多核非负矩阵分解方法进行降维，并结合 故障诊断，实质上就是根据获得的各种信息对设备 多核支持向量机（Ｍｕｌｔｉ⁃Ｋｅｒｎｅｌ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａ⁃ 状态进行分类识别，然后对信息进行智能处理并辅 ｃｈｉｎｅ，ＭＫＳＶＭ），实现对降维后的数据直接进行识 ［２］ 助专家进行机械故障诊断 。 目前，机械设备故障 别。 大大降低原始数据特征的维数，节省存储资源， 诊断大多使用从各种信号信息处理的结果中提取的 提高运算效率以及故障诊断的识别率。 少数特征量来判断系统的状态，信号绝大多数是非 平稳、非线性的，而信号处理结果大部分往往是数据 １　 多核非负矩阵分解理论 量很大，维数很高的图像数据，如时域的振动波形、 轴心轨迹；频域的功率谱、幅值谱等。 另外，随着一 １．１　 非负矩阵分解 些新的信号分析手段如时频分析、小波变换、非线性 非负矩阵分解（ｎｏｎｎｅｇａｔｉｖｅ ｍａｔｒｉｘ ｆａｃｔｏｒｉｚａｔｉｏｎ， 谱等被引入到机械设备故障诊断领域，以高维图像 ＮＭＦ）是在矩阵中所有元素均施加了非负约束条件 ［３］ 形式表示的分析结果越来越多