基于稀疏表示的轴承早期故障特征提取

低速重载机械设备中的滚动轴承由于承受巨大载荷,极易出现内外环故障. 在故障早期阶段,反映故障特征的冲击成分很微弱,极易被噪声覆盖而难以识别. 为准确诊断轴承早期故障,提出基于稀疏表示的故障特征提取方法. 该方法利用K-SVD字典训练算法构造出能准确匹配冲击成分的字典,克服了参数化字典缺乏自适应性的问题;稀疏编码过程中,采用批处理正交匹配追踪算法(batch orthogonal matching pursuit,Batch-OMP)对振动信号进行分解,以逼近信号的峭度值最大原则作为分解结束条件,自适应确定出分解次数;最后,通过对重构的特征成分进行包络谱分析得出故障类型. 对仿真信号和轴承振动信号进行故障特征提取,结果表明所提方法能准确提取出冲击成分,验证了其有效性和实用性.      

基于双稀疏字典的轴承故障特征提取

为了改善传统稀疏表示方法故障特征提取精度低的问题，本文提出基于离散余弦（DCT）字典和Laplace小波字典组合方法用于提取轴承故障特征.首先应用离散余弦字典提取谐波信号，以减少谐波信号的干扰；接下来应用Laplace小波字典提取轴承故障冲击进一步减少噪声干扰；引用二次分解正交匹配追踪算法（SS-OMP）求解稀疏系数；重构故障信号并进行包络谱分析，最终提取故障特征.实验结果表明本文方法与单一Laplace小波字典方法和快速谱峭度方法（SK）相比，故障特征提取精度得到了提高，且重构信号的相关系数达到了0.923.     

形态分量分析在滚动轴承故障诊断中的应用

滚动轴承局部故障振动信号中的周期性冲击是识别故障的关键特征.形态分量分析在由多种形态原子组成的过完备字典基础上提取信号中的不同形态成分,基于这种思想提出了一种基于新型过完备复合字典的形态分量分析方法.依据滚动轴承故障振动信号中分量间的形态差异性,改进字典后该方法可以更具针对性地提取出包含故障特征的冲击分量,配合包络谱分析准确提取故障特征频率,诊断滚动轴承局部故障.对比基于快速谱峭度法的轴承故障诊断方法,该方法可以避免人为选择共振带产生的不准确性和非最优问题,提高了故障诊断效果.通过轴承仿真信号和故障实验信号分析验证了该方法的有效性.     

基于判别稀疏编码的液压泵故障诊断

为解决液压泵故障信号特征难以提取的问题,提出了一种基于判别稀疏编码的液压泵故障诊断新方法。在稀疏编码框架中引入Fisher判别准则,通过对训练样本进行字典学习,获取具有判别性的字典与稀疏系数,使用不同故障类别字典对测试样本进行稀疏表示,利用全局分类方法综合重构误差与系数偏差两方面参数,对液压泵故障信号进行识别。实验结果表明,对于不同状态下的液压泵振动信号,该方法可自适应地完成各类子字典的学习与模式识别过程,与传统方法相比,在液压泵故障诊断中具有更高的准确率和较好的稳定性。     

液压泵故障诊断稀疏编码方法研究

针对液压泵故障特征难以提取、诊断过程复杂、自动化程度低等特点,将稀疏编码方法应用于液压泵故障诊断.通过对液压泵泵壳处振动信号进行时频域变换,将变换后的信号作为样本,采用K-SVD算法对训练样本进行字典学习以获取字典,利用正交匹配追踪算法对测试信号进行分解与重构,通过不同类别字典对测试信号的重构率大小进行故障种类识别,实现液压泵故障分类.通过试验验证并与BP神经网络、支持向量机对比,结果表明稀疏编码方法具有对故障识别速度快、准确率高、稳定性好等优点,可以有效地实现对液压泵故障的诊断.      

基于DTCWT与GA改进稀疏分解的轴承故障诊断

为解决滚动轴承故障信号信噪比低、故障特征难以提取的问题,提出一种双树复小波分解(DTCWT)与遗传算法(GA)相结合的改进稀疏分解方法.首先,采用双树复小波对轴承振动信号进行分解,并结合峭度最大准则提取包含冲击特征的最优分量,对该分量进行稀疏重构,实现强噪声信号的深度降噪、故障冲击特征的重构;然后,针对稀疏分解在处理高维复杂信号时计算效率低的问题,使用遗传算法优化基于匹配追踪(MP)算法的寻优过程,提升信号的重构效率;最后,提出基于残差信号包络熵的终止准则以合理选取迭代次数.经仿真与实验验证,与传统的稀疏分解相比,该方法能在强噪声背景下自适应地提取故障信号中的冲击特征,实现滚动轴承的故障识别.     

基于信号空间压缩感知算法的机械故障诊断

为了解决压缩感知（CS）重构算法通过重构稀疏系数求解原始信号的重构精度不高的问题,提出一种基于信号空间的压缩采样匹配追踪算法。首先在冗余字典中求解原始信号的最优表示空间,然后在最优表示空间中利用迭代算法直接求解原始信号,最后以轴承故障振动信号为例进行实验验证。结果证明本文算法提高了信号的重构精度,可以为增强机械振动信号的故障检测能力提供依据。     

采用品质因子优化和子带重构的共振稀疏分解滚动轴承故障诊断方法

针对强背景噪声下的滚动轴承早期故障诊断问题,提出了一种融合遗传算法品质因子参数优化、子带重构共振稀疏分解(RSSD)和小波变换的故障诊断方法。该方法以滚动轴承早期故障振动信号RSSD低共振分量峭度指标作为目标函数,利用遗传算法对品质因子参数组合进行优化选择。依据能量分布占优原则对低共振分量进行主子带重构、减少噪声干扰且增强故障信号冲击特征。借助小波分析局部优化和多分辨的特性,对重构低共振分量进行多尺度小波分解,提取轴承故障特征且深度挖掘轴承故障特征信息。通过滚动轴承的2种不同类型故障诊断实例表明,与一般RSSD方法相比,该方法具有更强的削弱背景噪声影响、凸显微弱故障特征的能力。     

基于非局部均值去噪和快速谱相关的滚动轴承早期故障诊断方法

针对如何从非线性、多分量、强背景噪声的滚动轴承早期故障振动信号中有效提取出微弱故障特征并准确判断故障类型,提出基于非局部均值去噪和快速谱相关的故障诊断方法。首先利用非局部均值去噪算法对原始振动信号进行降噪预处理,提高信号信噪比。然后,对降噪信号进行快速谱相关分析,增强信号中的周期成分,获得快速谱相关谱及其对应的增强包络谱。最后,将增强包络谱中幅值突出的频率成分与故障特征频率进行对比,判定故障类型并实现故障诊断。使用本文提出方法对仿真故障信号、实验故障信号进行分析。研究结果表明:相较于快速谱相关方法、谱峭度结合非局部均值去噪方法以及非局部均值去噪结合经验模态分解方法,本文提出方法可以抑制轴承早期故障振动信号中的背景噪声,有效提取出微弱故障特征,准确判断故障类型,避免出现误诊。     

基于改进量子进化算法的稀疏特征提取方法

特征提取是进行模式识别的关键环节,利用稀疏分解将信号表达为具有一定结构特征的原子组合,为提取信号内部特征信息提供了一种有效途径.本文提出基于改进量子进化算法的稀疏特征提取方法,利用改进量子进化算法的并行性和全局搜索能力,使信号在过完备的原子库上实现快速精确的稀疏分解.对过完备的原子库进行量子比特概率幅编码,通过量子比特的交叉进化-变异操作更新原子库,以信号残差与原子的内积作为量子进化目标函数,筛选出最具信号结构特征的原子,凭借稀疏重构实现信号的特征提取.仿真信号和故障轴承振动信号的稀疏特征提取结果表明了所提方法的有效性和优越性.