递归图与局部非负矩阵分解在轴承故障诊断中的应用

"基于递归图和局部非负矩阵分解的轴承故障诊断" 本文提出了一种新的轴承故障诊断方法，该方法结合了递归图分析和局部非负矩阵分解（Local Non-negative Matrix Factorization, L-NMF）技术，旨在解决轴承振动信号的非平稳特性和难以精确提取故障参数的问题。在轴承健康状态监测中，振动信号是关键的诊断依据，由于其复杂性和瞬时变化，传统的分析方法往往难以捕捉到有效的故障特征。 首先，该方法对收集到的轴承振动信号进行递归图分析。递归图是一种时间序列分析工具，通过自反馈的方式将原始信号转化为二维灰度图像，这有助于揭示信号的内在结构和模式。递归图生成后，可以直观地观察到信号的动态变化和潜在的周期性特征，对于非平稳信号尤其适用。 接下来，利用局部非负矩阵分解对生成的递归图进行特征提取。L-NMF是一种矩阵分解技术，它能够从非负数据中提取出积极的、有意义的特征，而这些特征通常与数据的物理意义紧密相关。在轴承故障诊断中，L-NMF可以捕获到振动信号中的故障相关模式，形成系数编码矩阵。这个过程不仅简化了信号，还减少了人为因素的影响，提高了特征的稳定性和可靠性。 最后，将得到的系数编码矩阵输入到分类器中进行模式识别。分类器通过学习和训练，能够自动识别不同类型的轴承故障模式，从而实现自动化诊断。实验结果显示，这种方法在四种典型工况的轴承故障诊断实例中表现出了良好的性能，能自适应地计算特征参数，减少了人为误差，具有较强的自适应性和鲁棒性。 通过对实际数据的处理和分析，该方法证明了其在轴承故障诊断中的有效性和实用性。与其他传统方法相比，递归图和L-NMF的结合提供了一个更强大、更灵活的工具，对于提升轴承故障检测的精度和效率具有重要意义。同时，这一研究也为其他机械设备的故障诊断提供了新的思路和方法，对于工业自动化和智能维护领域的发展具有积极的推动作用。