基于平行因子分析的机械故障诊断新方法研究

Based on the unique advantage parallel factor analysis (PARAFAC), i.e. the decomposition of the model is unique under the relaxed constraint conditions. Here, PARAFAC is introduced into the mechanical fault diagnosis, a new method of mechanical fault based on PARAFAC analysis is proposed. The features of the proposed method are as follows: (1) The algebraic and diversity characteristics of the signal is fully used to process the signal, and the information of the spatial domain, frequency domain and time domain of signal processing are obtained by fitting the multidimensional data fitting. (2) The decomposition of multi-dimensional data is unique, and the orthogonality and independence constraints are not required. (3) The proposed method can fully take the advantages of compressed sensing and PARAFAC, and greatly reduce the complexity of data processing in mechanical fault diagnosis. (4)In the proposed method, ‘signal separation’ is partial or all substituted by ‘mathematical separation’ in multiple fault diagnosis, and show the characteristics of rapid and general, At the same time, the influence of path interference is eliminated. The research of this project has very important theoretical and practical applications. The research outcomes obtained in this project must cause some profound significance on the mechanical fault diagnosis.

基于平行因子分析(Parallel Factor，PARAFAC) 因在宽松约束条件下其模型分解具有唯一性的独特优势，在此，将PARAFAC模型引入到机械故障诊断中，提出了一种基于PARAFAC的机械故障诊断新方法，该方法具有以下独特的特色：(1)充分利用了信号的代数性和分集特性对信号进行处理，并通过多维数据拟合得到信号处理中的空间域、频域和时域上的各种信息。(2)对多维数据的分解是唯一的，而且不需要正交性和独立性约束。(3)充分利用了压缩感知和PARAFAC的各自优点，大大降低了机械故障诊断中数据处理的复杂性。(4)利用“数学分离”部分或全部代替传统多故障复合诊断的“信号分离”，显示出其快速、通用的特点。同时，消除了路径干扰的影响。其研究成果具有重要的理论价值和实际应用价值，其研究成果对机械故障诊断将产生深远影响。

针对现有的故障诊断方法均包含了二维数据处理，并附加了一些约束条件。而在工程应用中，未必能够满足这些苛刻的约束条件，这就大大限制了这些方法的实际应用价值。针对此不足，本项目提出了基于平行因子分析的机械故障诊断方法，为解决传统的机械故障诊断方法存在的上述不足提供了一条重要途径，并取得重要研究成果：1)克服了现有的源数估计算法最多只能给出振源数的上限，而不能准确估计振源数目。2)克服了传统独立分量分析算法在处理噪声环境下盲源分离问题时往往是需要引入虚拟噪声，或者结合信号分解方法的不足。3)克服了传统的PARAFAC分解唯一性需要满足条件为三个承载矩阵中不能含有任何相关列的不足。4)构造的压缩感知三线性平行因子分析克服了三线性平行因子的机械故障源盲分离中存在的三线性模型构造复杂，计算复杂度高，且存储容量大的不足。5)构造的四线性平行因子机械振源数估计方法克服了传统的三线性PARAFAC由于维度的限制只能对振动信号的部分信息建模，而振动信号中的时间序列信息被完全忽略的不足。6)有效避免传统的平行因子分析故障诊断方法中由于不正确的预估组分数对迭代结果的影响，可以得到满意的分离效果。7)提出的自适应PARAFAC-BSS方法克服了传统的PARAFAC-BSS的多故障盲源分离方法中对所构造的PARAFAC模型进行分解，在一次迭代中需要三次伪逆运算，在每一采样时刻需要考虑整个新的张量分解的计算量，运行速度慢，很难对采集到的数据实时在线处理的不足。8)提出的复平行因子机械故障源盲分离方法从根本上缩减了在传统的平行因子故障诊断中采用三线性交替最小二乘法所需的迭代次数和运行时间，有效的提高了分离速度。9)提出的PARAFAC-HMM识别方法不仅能消除多通道特征提取的冗余，而且可以有效解决设备运行过程中重复再现性差的诊断难题。合计发表标注基金资助的论文54篇，SCI收录5篇，EI收录16篇，申请并获授权发明专利5项，申请公开中国发明专利4项，指导博士生1人，指导硕士生38人。产生了积极的国内国际学术影响。