基于非負矩陣分解的機械故障信號特征分析的研究.pdf

1、非負矩陣分解算法是一種新型矩陣分解算法。與傳統(tǒng)的矩陣分解算法，如主分量分析、獨立分量分析、因子分析等相比，除了施加了非負性約束條件之外非負矩陣分解算法與上述算法模型相似。由于非負矩陣分解算法符合人類的認知習慣，所以該算法提取到的隱含在原始數(shù)據(jù)內(nèi)部的非負性約束特征比其他已知算法得到的特征具有更好的局部性，可解釋性和預測性。本文中利用非負矩陣分解算法對機械故障識別中信號頻譜和雙譜的分析結(jié)果進行二次特征提取，并針對故障數(shù)據(jù)的特征對非負矩陣分解

2、算法進行了一些改進。 首先，介紹了非負矩陣分解的原理和已有各種算法，同時分析了原始算法和改進算法之間的關系，各種變體算法均是對非負矩陣分解限制了相應的約束限制。利用仿真數(shù)據(jù)驗證了這些算法的有效性，仿真實驗結(jié)果顯示非負矩陣分解算法提取的特征向量具有局部性和可解釋性的特點。 其次，利用遺傳算法和主分量分析法分別對非負矩陣分解的初始化問題進行研究，結(jié)果顯示基于主分量分析初始化的非負矩陣分解算法好于基于遺傳算法初始化的算法。前者

3、不但可以提高結(jié)果精度，而且可以加快分解速度，縮短運算時間。然而對于具有明顯分類特征的數(shù)據(jù)，分解結(jié)果也顯示非負矩陣分解算法獲得的特征更加接近于分類向量。 最后，基于以上研究提出了基于主分量分析初始化，具有正交性約束的非負矩陣分解算法。利用該算法進行特征提取，結(jié)果證明局部性顯著，正交性改善，獨立性增強，冗余度下降。通過BP神經(jīng)網(wǎng)絡，應用該算法提取到的二次故障特征進行機械故障的分類識別，與經(jīng)典的主分量分析結(jié)合BP網(wǎng)絡的方法相比，該方法