一种基于改进局部非负矩阵分解的轴承复合故障诊断方法技术

本发明专利技术公开了一种基于最小相关局部非负矩阵分解的轴承复合故障诊断方法。首先引入蚱蜢优化算法对变分模态分解参数进行寻优，自适应确定最佳模态数和惩罚因子，将最佳参数输入变分模态分解中对振动信号分解，得到多个模态分量，并对模态分量重构，获得输入矩阵；其次把最小相关约束引入局部非负矩阵中，形成最小相关局部非负矩阵分解算法，并将多个模态分量与原始信号重构为模态矩阵，计算最小相关局部非负矩阵分解的最优维数，然后利用最小相关局部非负矩阵分解算法对输入矩阵进行最优维数分解，得到基矩阵W和系数矩阵H，最后对基矩阵W进行包络谱分析，即可分离出耦合的轴承复合故障信号。通过对复合故障信号的仿真分析，验证了所提方法的有效性。实验数据分析结果也表明该方法可以有效的对轴承复合故障进行分离与诊断。断。断。

【技术实现步骤摘要】
一种基于改进局部非负矩阵分解的轴承复合故障诊断方法


[0001]本专利技术涉及一种轴承复合故障诊断方法，特别涉及一种基于改进局部非负矩阵分解的轴承复合故障诊断方法，属于故障诊断


技术介绍

[0002]轴承是旋转机械中的重要部件，据有关资料统计：在使用滚动轴承的旋转机械中有30％的机械故障是由轴承故障引起的，而且实际工况中，轴承的单一故障常常会诱发其他位置的故障发生，进而出现多个故障并存的状态。因此研究滚动轴承复合故障诊断方法具有重要意义。
[0003]盲源分离(Blind source separation,BSS)是近年来迅速发展起来的一种功能强大的信号分离方法，其能够在源信号和传输通道过程未知的情况下，仅由观测信号恢复出源信号。盲源分离的有效求解方法主要包括独立分量分析(Independent component analysis,ICA)、稀疏分量分析(Sparse component analysis,SCA)及非负矩阵分解(Nonnegative matrix factorization,NMF)等方法。然而在观测信号数目小于源信号时，会出现欠定盲分离的情况。相对于ICA算法和SCA算法，NMF算法对信号的独立性和稀疏性没有要求，应用比较广泛，然而在处理欠定问题时无法直接应用。针对盲源分离中的欠定问题，通常采用通道扩展法将欠定盲源分离模型转化为正定或者超定模型，进而利用传统的盲源分离方法进行分离。许多学者对此进行研究，如Wang等运用集合经验模态分解(Ensemble Empirical mode decomposition,EEMD)以及ICA算法成功分离了轴承与齿轮箱复合故障信号，但是EEMD方法存在复杂度较大，计算时间较长的问题；郝如江等将经验模态分解(Empirical mode decomposition,EMD)与约束独立分量分析算法应用于齿轮箱的混合故障诊断中，成功实现齿轮箱轴承和齿轮混合故障的分离，然而EMD方法容易出现模态混叠与边界效应问题；Islam等利用平稳小波变换(Stationary wavelet transform,SWT)和NMF实现了单通道语音信号的增强，但SWT存在一定的冗余性；Tang等提出VMD与快速独立分量分析(Fast independent component analysis,FastICA)相结合的滚动轴承复合故障特征提取方法，成功分离轴承外圈故障和滚子故障；Li等提出基于VMD分解的超平面空间复合信号分离方法，能够有效实现滚动轴承复合信号的单通道故障特征提取。VMD能有效避免模态混叠问题，但是模态数和惩罚因子很难自适应确定，以至于出现信号欠分解或过分解问题。王梦阳等虽然利用VMD与局部非负矩阵分解(Local non
‑
negative matrix factorization,LNMF)算法相结合的方法实现复合故障分离，但是其分离结果中故障特征频率的倍频并不是特别明显。

技术实现思路

[0004]本专利技术的目的在于提供了一种基于改进局部非负矩阵分解的轴承复合故障诊断方法，即最小相关局部非负矩阵分解，以解决盲源分离中的欠定问题以及变分模态分解中最佳参数的确定问题。
[0005]本技术的创新点主要体现在：利用了最小相关约束能够提高向量之间的独立性，将最小相关约束添加到LNMF算法中，形成最小相关局部非负矩阵分解(Minimum correlation local nonnegative matrix factorization,MCLNMF)，有效地突出分解后的局部特征信息；利用蚱蜢优化算法(Grasshopper optimization algorithm,GOA)的寻优能力，对VMD的最佳参数即模态数M和惩罚因子α，确定VMD的最佳参数，从而实现VMD对复合故障信号的最优分解；利用峭度指标和相关系数对冲击信号的分布密度以及各子模态与原信号的相关性，构造相关峭度指标用于区分有效模态分量和噪声模态分量，并将相关峭度指数的相反数作为GOA算法的适应度函数，实现GOA算法对VMD的优化。该方法通过单通道拓展法解决盲源分离中的欠定问题，即通过对VMD将复合信号分解为多个模态，将多个模态作为输入信号；该方法针对VMD参数难确定问题，利用GOA算法实现VMD参数的自适应确定；该方法在LNMF算法的基础上对其施加了最小相关约束，形成最小相关局部非负矩阵分解，能够进一步提高基向量之间的独立性，突出分解后的局部特征信息，最终实现复合故障的诊断。相比与现有技术，该方法的优势体现在：该方法通过GOA算法能自适应确定VMD最佳参数，实现信号的最佳分解；相较于峭度指标只取决于冲击信号的分布密度，作为评判指标可能会忽略振幅较大、具有分散分布的成分；相关系数可以表示各子模态与原信号的相关性，但是易受到噪声的干扰，该方法提出的相关峭度指标能够结合两种指标的优点，区分有效模态分量和噪声分量；相较于ICA不适用于欠定盲分离以及SCA算法对非稀疏信号性能不佳的，LNMF算法对信号的独立性和稀疏性没有要求，并通过最小相关约束的添加能够进一步提高LNMF算法。上述即为该方法的创新点和优势所在；
[0006]为实现轴承复合故障的诊断目的，本专利技术采用的技术方案为一种基于改进局部非负矩阵分解算法的轴承复合故障诊断方法，即最小相关局部非负矩阵分解方法，该方法包括采集复合故障振动信号、蚱蜢优化算法对VMD参数优化、VMD分解复合故障信号、重构输入信号、计算MCLNMF最佳分解维数、MCLNMF分解输入信号、对对基矩阵进行希尔伯特包络谱，从而得到故障特征。
[0007]S1变分模态分解算法；
[0008]VMD的整体框架是变分问题，可使每个模态的估计带宽之和最小，实质是基于Wiener滤波、Hilbert变换和混频的变分问题求解过程[11]，得到变分约束问题表达式为
[0009][0010]式中K为需要分解的模态个数(正整数)；{u
k
}、{ω
k
}分别对应分解后第k个模态分量和中心频率；δ(t)为狄克拉函数；*为卷积运算符。
[0011]为求解上式的约束变分问题，引入二次惩罚参数α和拉格朗日乘法算子λ(t)，将约束变分问题转化为非约束变分问题。利用交替方向乘子(ADMM)迭代算法结合Parseval/Plancherel、傅里叶等距变换优化得到各模态分量和中心频率，并搜寻增广Lagrange函数
的鞍点，即约束变分模型的最优解。
[0012]交替寻优迭代后u
k
、ω
k
和λ的表达式如下：
[0013][0014][0015][0016]式中τ为噪声容限参数；为拉格朗日惩罚算子λ在频域的第n次迭代；为模态u
k
在频域的第n+1次迭代。
[0017]S2蚱蜢优化算法；
[0018]蚱蜢优化算法是模拟蝗虫的捕食行为而设计。根据两个蝗虫间的距离大小改变而改变力的作用抽象为一个函数来寻找最优。模拟蚱蜢种群行为建立的数学模型为：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进局部非负矩阵分解的轴承复合故障诊断方法，其特征在于：该方法包括采集复合故障振动信号、对复合故障振动信号进行变分模态分解，并通过蚱蜢优化算法优化变分模态分解的最优参数、计算改进局部非负矩阵分解算法的最佳分解维数、利用改进后的算法即最小相关局部非负矩阵分解算法对变分模态分解得到的多个模态分量进行分离、对分离出的基矩阵进行包络谱分析，从而提取出故障特征；S1变分模态分解算法；VMD的整体框架是变分问题，可使每个模态的估计带宽之和最小，实质是基于Wiener滤波、Hilbert变换和混频的变分问题求解过程[11]，得到变分约束问题表达式为式中K为需要分解的模态个数(正整数)；{u
k
}、{ω
k
}分别对应分解后第k个模态分量和中心频率；δ(t)为狄克拉函数；*为卷积运算符；为求解上式的约束变分问题，引入二次惩罚参数α和拉格朗日乘法算子λ(t)，将约束变分问题转化为非约束变分问题；利用交替方向乘子(ADMM)迭代算法结合Parseval/Plancherel、傅里叶等距变换优化得到各模态分量和中心频率，并搜寻增广Lagrange函数的鞍点，即约束变分模型的最优解；交替寻优迭代后u
k
、ω
k
和λ的表达式如下：和λ的表达式如下：和λ的表达式如下：式中τ为噪声容限参数；为拉格朗日惩罚算子λ在频域的第n次迭代；为模态u
k
在频域的第n+1次迭代；S2蚱蜢优化算法；蚱蜢优化算法是模拟蝗虫的捕食行为而设计；根据两个蝗虫间的距离大小改变而改变力的作用抽象为一个函数来寻找最优；模拟蚱蜢种群行为建立的数学模型为：X
i
＝S
i
+G
i
+A
i
其中X
i
定义了第i只蝗虫当前的位置，S
i
是社会相互作用力，G
i
是第i只蝗虫的重力，A
i
展示了风的平流作用力；S
i
和A
i
通过下式计算得到；
s(r)＝fe
‑
r/l
‑
e
‑
r
式中d
ij
＝|x
i
‑
x
j
|(在GOA算法中指定初始区间为[1，4]表示第i只蚱蜢和第j只蚱蜢之间的距离，s(
·
)定义了蚱蜢之间吸引和排斥的力量，)定义了蚱蜢之间吸引和排斥的力量，代表从第i只蚱蜢和第j只蚱蜢之间的一个范围向量，f和l分别为吸引力强度和吸引力长度尺度；通常选择f＝1.5和l＝0.5；其中G
i
可以通过下式计算得到；式中g是引力常数，表示指向地心的单位矢量；其中A
i
可以通过下式计算得到；式中u为漂移常数，为风向单位矢量；将S
i
、G
i
和A
i
带入已经建立的数学模型中，并进行修正即不考虑重力(无G部分)和假设风向(A部分)始终朝向优化目标的情况，得到的位置更新公式为：参数c是递减系数，目的是用来线性减小舒适空间，排斥空间和吸引空间...

【专利技术属性】
技术研发人员：崔玲丽，刘玉磊，王鑫，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：