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

基于獨立分量分析與相關系數(shù)的機械故障特征提取

振

第32卷第6期

動與沖擊

Vol．32No．62013

JOURNALOFVIBRATIONANDSHOCK



基于獨立分量分析與相關系數(shù)的機械故障特征提取

趙志宏

摘

1，2

，楊紹普2，申永軍2

（1．石家莊鐵道大學信息科學與技術學院，石家莊050043；2．河北省交通安全與控制重點實驗室，石家莊050043）

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

別進行獨立分量分析，獲得各種工況信號的獨立分量，這些獨立分量中蘊含了該工況的一些內在特征；接著利用樣本與不與直接利用相關系數(shù)作為特征相比魯棒性與區(qū)分同工況信號提取的獨立分量的相關系數(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作為分類器進行識別。分別進行了齒輪故障特征提取與軸承故障特征提取實驗，實驗結果表明，此方法可以很好地提取機械故障特征信息。本文方法的優(yōu)點在于直接從振動信號的原始數(shù)據(jù)中進行特征獲取機械故障蘊含的一些特征，應用范圍廣，具有較高地工程應用價值。提取，

關鍵詞：獨立分量分析；特征提取；相關系數(shù)；故障診斷；支持向量機中圖分類號：TH165．3

文獻標識碼：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備狀態(tài)監(jiān)測和故障診［1－2］

和經驗模態(tài)分斷研究的重要課題。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，在對信號進行處理時會產

［3－4］

步發(fā)展和應用。

獨立分量分析（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立的基向量及相應的混合矩陣相乘構成，然后利用相應的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際中都尚待研究。經驗模態(tài)分解不像小波變換一樣有完整的數(shù)學理論支撐，是一種基于“經驗”的模態(tài)分解，影響了經驗模態(tài)分解理論的進一

等。

［9］

ICA用于機械故障診斷的研究引起研究近幾年，人員的重視。Wang

利用ICA提取振動信號中的機

械故障信息，通過軸承故障診斷實驗說明了方法的有效性。唐力偉等

［10］

基金項目：國家自然科學基金資助項目（11172182）；鐵道部科技研究開

發(fā)計劃（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個加速度傳感器獲取發(fā)動

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］

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