非负矩阵分解在发动机故障特征提取中应用.docVIP

非负矩阵分解在发动机故障特征提取中应用 　　摘要： 信号处理与特征参数提取是发动机故障诊断的核心和关键。提出了采用自适应多尺度形态梯度算法对信号进行处理，综合利用小尺度下能保留信号细节和大尺度下抑制噪声能力强的优点，能够在强噪声背景下有效地提取振动信号中能够反映发动机工作状态的有用分量；在此基础上提出采用非负矩阵分解的特征提取方法对信号进行压缩，计算用于发动机故障诊断的特征参量。结果表明：与传统的信号处理与特征参量提取方法相比，所提的方法具有更高的分类精度，为准确判断发动机故障状态提供了一种行之有效的新方法。关键词： 故障诊断； 发动机； 特征提取； 自适应多尺度形态梯度； 非负矩阵分解 　　中图分类号： TH165.3文献标识码： A文章编号：2013 　　1概述 　　振动是发动机在运转过程中必然产生的现象，振动信号包含了丰富的发动???运行状态的信息，发动机工作性能的变化可以通过振动表现出来，而其采集和分析不影响发动机的正常运转。因此，振动信号分析法成为对发动机进行结构、故障分析和状态监测最为广泛、也是最行之有效的方法之一[1]。 　　发动机故障信号处理与特征参数提取是实现发动机故障诊断的关键与核心。近年来，小波分析、经验模态分解和统计特征参数、分形维数等信号处理与特征提取方法在发动机故障诊断中得到了广泛的应用[2～5]，取得了较好的效果。 　　数学形态学是在随机集和积分几何基础上发展起来的一种非线性分析方法，它根据处理对象的形状特征，用特定的结构元素进行形态变换来达到信号处理的目的。该方法进行信号处理时只取决于待处理信号的局部形状特征，通过数学形态变换将一个复杂的信号分解为具有物理意义的各个部分，将其与背景剥离，同时保持信号主要的形状特征，要比传统的线性滤波更为有效[6， 7]。数学形态滤波器已经在数字图像处理、计算机视觉和模式识别等领域得到了广泛的应用[8]，同时在电力系统、心电脑电信号处理中也得到充分的利用[9， 10]。近年来，数学形态滤波逐渐引入了机械故障诊断领域，文献[11～13]采用形态学滤波对轴承故障信号进行了分析，文献[14]采用形态学算子对齿轮故障信号进行分析，但数学形态学在发动机故障信号中的应用还未见报道。 　　本文针对发动机故障信号的特点，提出采用自适应多尺度形态梯度（AMMG）对信号进行处理，在有效保留反映发动机故障特征的信号分量的前提下抑制噪声；在此基础上，采用非负矩阵分解技术（NMF）对信号进行压缩，计算用于发动机故障诊断的特征参数集。采用实测的发动机在8种状态下的振动信号对本文提出的信号处理与特征参数计算方法进行了验证，并与传统的方法进行了对比。 　　此外，形态学计算只涉及简单的加减运算，非负矩阵分解技术采用乘性迭代规则也能够快速收敛，因此本文提出信号处理与特征提取方法的计算代价可满足实际的工程需要。 　　5结论 　　（1）自适应多尺度形态梯度综合利用小尺度下能保留信号细节和大尺度下抑制噪声能力强的优点，能够最有效地保留信号中的冲击特征信息同时抑制噪声；在发动机故障信号中的应用表明自适应多尺度形态梯能够在强噪声背景下有效地提取振动信号中能够反映发动机工作状态的有用分量； 　　（2）在自适应多尺度形态梯度对发动机故障信号处理的基础上，采用非负矩阵分解技术对信号进行特征参数提取，实际的故障诊断结果表明，与传统的信号处理与特征提取技术相比，本文提出的基于自适应多尺度形态梯与非负矩阵分解的特征子集具有更高的分类精度。 　　参考文献： 　　[1]Wu J D， Chen J C. Continuous wavelet transform technique for fault signal diagnosis of internal combustion engines [J]. NDT and E International， 2006， 39（4）：304—311. 　　[2]陈国金， 侯平智， 胡以怀， 等. 发动机故障特征量提取方法的研究[J]. 内燃机学报， 2002， 20（03）：262—266. 　　[3]王祝平， 王为， 李小昱， 等. 基于EMD与神经网络的内燃机气门间隙故障诊断[J]. 农业机械学报， 2007， 38（12）：133—137. 　　[4]李国宾， 段树林， 于洪亮， 等. 发动机振动信号特征参数的多重分形研究[J]. 内燃机学报， 2008， 26（01）：87—91. 　　[5]乔新勇， 刘建敏， 张小明. 基于神经网络信息融合的发动机失火故障诊断[J]. 内燃机工程， 2009， 30（01）：74—79. 　　[6]Maragos P， Schafer R W. Morpholog