本文關(guān)鍵詞：基于獨(dú)立分量分析與相關(guān)系數(shù)的機(jī)械故障特征提取，由筆耕文化傳播整理發(fā)布。

基于獨(dú)立分量分析與相關(guān)系數(shù)的機(jī)械故障特征提取

振

第32卷第6期

動(dòng)與沖擊

Vol．32No．62013

JOURNALOFVIBRATIONANDSHOCK

�嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕嚕�

基于獨(dú)立分量分析與相關(guān)系數(shù)的機(jī)械故障特征提取

趙志宏

摘

1，2

，楊紹普2，申永軍2

（1．石家莊鐵道大學(xué)信息科學(xué)與技術(shù)學(xué)院，石家莊050043；2．河北省交通安全與控制重點(diǎn)實(shí)驗(yàn)室，石家莊050043）

要：提出一種基于獨(dú)立分量分析與相關(guān)系數(shù)的機(jī)械故障特征提取方法。首先對不同工況的機(jī)械振動(dòng)信號分

別進(jìn)行獨(dú)立分量分析，獲得各種工況信號的獨(dú)立分量，這些獨(dú)立分量中蘊(yùn)含了該工況的一些內(nèi)在特征；接著利用樣本與不與直接利用相關(guān)系數(shù)作為特征相比魯棒性與區(qū)分同工況信號提取的獨(dú)立分量的相關(guān)系數(shù)絕對值的和作為該樣本的特征，

程度都得到提高；最后使用支持向量機(jī)作為分類器進(jìn)行識別。分別進(jìn)行了齒輪故障特征提取與軸承故障特征提取實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，此方法可以很好地提取機(jī)械故障特征信息。本文方法的優(yōu)點(diǎn)在于直接從振動(dòng)信號的原始數(shù)據(jù)中進(jìn)行特征獲取機(jī)械故障蘊(yùn)含的一些特征，應(yīng)用范圍廣，具有較高地工程應(yīng)用價(jià)值。提取，

關(guān)鍵詞：獨(dú)立分量分析；特征提��；相關(guān)系數(shù)；故障診斷；支持向量機(jī)中圖分類號：TH165．3

文獻(xiàn)標(biāo)識碼：A

Machineryfaultfeatureextractionbasedonindependent

componentanalysisandcorrelationcoefficient

2

ZHAOZhi-hong1，，YANGShao-pu2，SHENYong-jun2

（1．SchoolofComputingandInformatics，ShijiazhuangTiedaoUniversity，Shijiazhuang050043，，China；

2．KeyLaboratoryofTrafficSafetyandControlofHebeiProvince，Shijiazhuang050043，China）

Abstract：Amachineryfaultfeatureextractionmethodwasproposedbasedonindependentcomponentanalysis

（ICA）andcorrelationcoefficient．TheICAwasusedforanalysisofvibrationsignalswithdifferentfaultcategory．Theextractedindependentcomponentsincludetheinformationofthefault．Thesumofabsolutevaluesofcorrelationcoefficientsofthetestsampleandtheextractedindepentcomponentsofeachcategorywasusedasafeaturevetor．Thenthesupportvectormachinewasusedasaclassificationmethodforfaultdiagnosis．Theproposedfaultfeatureextractionmethodhasbeenappliedtotwotasks：gearfeaultdiagnosisandrollerbearingfaultdiagnosis．ExperimentsdemonstratethattheICAofeachfaultcategoryandthecorrelationcoefficientcanextractusefulfeaturesformachineryfaultdiagnosis．

Keywords：independentcomponentanalysis；featureextraction；correlationcoefficient；faultdiagnosis；supportvectormachine

機(jī)械系統(tǒng)中，故障的特征信息被淹沒在噪聲中，如何有效地提取故障特征一直是設(shè)備狀態(tài)監(jiān)測和故障診［1－2］

和經(jīng)驗(yàn)?zāi)�態(tài)分?jǐn)嘌芯康闹匾�課題。小波分析解

是目前常用的故障特征提取方法，但是小波分

析由于基函數(shù)的長度有限，在對信號進(jìn)行處理時(shí)會(huì)產(chǎn)

［3－4］

步發(fā)展和應(yīng)用。

獨(dú)立分量分析（IndependentComponentAnalysis，ICA）［5］是近幾年發(fā)展起來的一種基于樣本高階統(tǒng)計(jì)信息的特征提取方法，它屬于一種無監(jiān)督的特征提取方法，其基本思想是首先假定樣本集由一組相互獨(dú)立的基向量及相應(yīng)的混合矩陣相乘構(gòu)成，然后利用相應(yīng)的ICA算法求出解混矩陣（混合矩陣的逆矩陣）。目前，已廣泛用于生理學(xué)數(shù)據(jù)分析識別

［8］

［6］

［7］

、語音信號處理、人臉

另外小波基函數(shù)的選擇問題也是一個(gè)難生能量泄漏，

題，針對某一信號，依據(jù)什么原則、采用什么判據(jù)選擇小波基在理論和實(shí)際中都尚待研究。經(jīng)驗(yàn)?zāi)�態(tài)分解不像小波變換一樣有完整的數(shù)學(xué)理論支撐，是一種基于“經(jīng)驗(yàn)”的模態(tài)分解，影響了經(jīng)驗(yàn)?zāi)�態(tài)分解理論的進(jìn)一

等。

［9］

ICA用于機(jī)械故障診斷的研究引起研究近幾年，人員的重視。Wang

利用ICA提取振動(dòng)信號中的機(jī)

械故障信息，通過軸承故障診斷實(shí)驗(yàn)說明了方法的有效性。唐力偉等

［10］

基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目（11172182）；鐵道部科技研究開

發(fā)計(jì)劃（2011J013）收稿日期：2011－11－16

修改稿收到日期：2012－05－03

1972年8月生第一作者趙志宏男，博士，副教授，

將ICA用于瞬態(tài)聲音信號的降噪利用6個(gè)加速度傳感器獲取發(fā)動(dòng)

處理，利用ICA對含有噪聲的信號分析后找到了故障特征。Widodo等

［11］

  本文關(guān)鍵詞：基于獨(dú)立分量分析與相關(guān)系數(shù)的機(jī)械故障特征提取，由筆耕文化傳播整理發(fā)布。