频域组稀疏滚动轴承特征提取方法

针对时域非平稳振动信号模式混叠、信噪比低,以及传统稀疏表示算法模型复杂、优化求解算法难以确定,导致故障特征提取难的问题,提出了频域组稀疏和群桥约束改进迭代收缩阈值优化的故障特征提取方法（Group Sparse Representation in Frequency Domain,GSRF）。将振动信号转换至频域并对变量分组,构造施加群桥约束的最小二乘回归模型,准确筛选冲击相关变量;引入迭代重加权系数简化方程,以软阈值收缩优化求解频域稀疏信号;对重构的时域稀疏信号进行包络频谱分析提取故障特征。试验结果表明,提出的频域组稀疏算法优于传统的结合L21范数约束的组稀疏索套方法,可有效提取微弱故障特征,实现稀疏域下的轴承故障诊断。     

基于级联过完备字典稀疏表征的滚动轴承复合故障诊断方法

针对滚动轴承多故障特征相互耦合不易诊断的问题,提出了一种将级联过完备字典与以基追踪降噪问题为优化原则的特征符号搜索(FSS)算法相结合的轴承复合故障诊断方法.该方法根据轴承故障冲击响应信号的特点,以轴承阻尼二阶系统的单位冲击响应函数作为级联过完备字典基函数,并通过相关滤波法获取构建字典的参数.结合得到的字典,使用特征符...     

基于FRFT的齿轮振动信号故障特征提取

研究了典型齿轮故障振动信号在分数阶傅里叶变换（FRVF）域的分布特征,并在此基础上分析了该信号在FRFT循环域（CFRFD）的分布特征,提出了FRFT循环处理（CFRFT）方法,实现了信号在CFRFD的能量积累。通过仿真实验验证了低信噪比条件下,CFRFT对齿轮振动信号的故障特征提取能力及有效性。     

基于稀疏编码的振动信号特征提取算法与实验研究

针对海量冗余数据中设备状态信息特征提取问题,借鉴生物感知系统"冗余度压缩"的信息处理原则,基于神经科学研究中的稀疏编码算法,提出了连续长时间采样时振动信号有效特征提取方法。介绍了稀疏编码算法及其模型,详细研究了稀疏编码的系数求解和字典学习两大问题。基于人工轴承故障数据集进行了实验研究,实验表明:基于稀疏编码的振动信号特征提取算法不仅能有效提取设备状态特征,而且稀疏特征具有良好的可分性。该方法可用于设备故障诊断,为基于状态的设备智能维护提供有效工具。     

基于稀疏表征的降噪方法及其在振动激励控制中的应用

针对振动控制中因混有噪声而导致控制精度降低,影响振动控制研究效果的现实问题,提出基于稀疏表征的降噪方法,并通过引入峭度作为测度指标改进基于分离变量的增广拉格朗日收敛算法(SALSA)的基追踪降噪方法。然后,提出获取优化的拉格朗日乘数的方法,从而使得基追踪降噪可以获得更佳的降噪性能。最后将降噪信号反馈给前端控制器,以达到预期的控制目的。通过仿真实例,验证基于SALSA的基追踪降噪方法的有效性。结果表明:将该方法用于水润滑轴承实验的振动控制,能够有效地去除所测力矩信号中不同强度的高斯白噪声,因而可以较好地应用在振动控制中的反馈环节。     

Shearlet多方向自适应加权融合的稀疏表征人脸识别

针对传统稀疏表征分类器只有在训练样本足够多时才会对特征变化不敏感的缺点,提出一种Shearlet多方向自适应加权融合的稀疏表征人脸识别算法。为了提取局部方向信息并降低特征维数,首先利用Shearlet变换对图像进行多尺度、多方向分解,获得子带系数矩阵,然后根据子带系数矩阵方差的大小对同一尺度的方向子图按主方向排序,利用子带系数矩阵的能量和均值特征对排序后的人脸子图进行加权融合,最后为了使得表征系数矢量具有更为显著的稀疏性,进一步利用融合特征构造字典。在ORL、FERET和YALE人脸库中做了多组实验,结果表明,该方法能增强对外界环境变化的鲁棒性,同时可以提高人脸的识别率。     

基于稀疏自适应S变换的特种设备故障振动信号检测研究

鉴于特种设备的特殊性,其故障的检测尤为重要,而检测特种设备振动信号是发现故障的一种重要手段,基于此种原因,本文提出基于稀疏自适应S变换特种设备故障振动信号检测方法。从特种设备的振动信号时频特征出发,通过稀疏自适应S变换提取特种设备振动信号时频特征图;构建深度卷积神经网络模型,将经过稀疏自适应S变换提取的时频特征图作为网络模型输入样本,经深度学习后,完成特种设备故障振动信号检测,获取设备故障诊断结果。实验结果表明：该方法提取到振动信号特征较好,可清晰表达故障频率,特征表达能力强;可明确检测出特种设备故障发生时间以及故障原因,且检测准确率高。     

基于信号稀疏表示和瞬态冲击信号多特征提取的滚动轴承故障诊断

在滚动轴承故障信号特征分析中,针对瞬态冲击信号稀疏表示和特征提取问题,提出一种基于IChirplet原子的故障信号多重特征提取方法。在分析故障信号特点的基础上,构建IChirplet原子库,利用优化的OMP算法进行原子寻优,然后提取IChirplet原子的时频参数和重构信号的敏感特征作为特征参量,通过PSO_SVM实现故障分类。实验证明IChirplet原子与滚动轴承故障信号有较好的匹配性,且多重特征的提取能够有效表征故障信息,更准确地判断轴承故障类型。     

遗传算法优化稀疏分解的齿轮箱故障诊断研究

齿轮箱传动结构复杂,其出现故障时的振动信号往往含有强噪声。在强噪声背景下微弱信号的特征提取是振动信号处理领域的难题。稀疏分解方法能够自适应地提取强噪声背景下的微弱信号特征,但其在寻找最优匹配原子时计算量特别大。为加快匹配最优原子的速度,提出利用遗传算法优化匹配追踪的信号稀疏分解算法,优化后的算法大大降低了匹配追踪算法中寻找最优原子参数的计算量。齿轮故障振动信号的主要特征是调制现象,通过稀疏分解对含有噪声的信号进行降噪,然后进行频域分析,根据频域分析结果实现齿轮的故障诊断。对仿真的齿轮调制振动信号和实际采集的齿轮箱振动信号分析表明,该方法能够从含有强噪声的振动信号中快速且准确地提取出故障特征频率。     

水下目标回波的块信号稀疏分解方法

基于匹配追踪的稀疏分解方法原理简单,在工程实际中应用广泛,但其计算量大,重构精度也不够理想。针对此问题,利用水下目标回波信号的块稀疏特性,提出了水下目标回波的块信号稀疏分解方法。首先基于水下目标回波和块稀疏信号的基本理论,结合回波信号仿真结果,分析了水下目标回波信号的块稀疏特性;然后,充分考虑回波信号本身的稀疏结构,利用信号分块和原子分块的思想,针对水下目标回波提出了块信号的稀疏分解和块匹配追踪重构算法,并从理论上对其计算复杂度进行了分析;最后,采用仿真实验的方式,与传统方法进行对比。结果表明,该方法大大减少了计算量,提高了重构精度。     

基于字典学习的轴承早期故障稀疏特征提取

针对低速重载机械滚动轴承早期故障的振动信号中故障特征冲击成分微弱易被噪声覆盖难以识别,而利用稀疏表示方法提取冲击成分时因轴承工况非平稳性,准确匹配冲击成分字典难以构造问题,提出基于字典学习的轴承早期故障稀疏特征提取方法。利用改进型K-SVD字典学习算法构造自适应字典;采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对振动信号进行稀疏分解,计算每次迭代逼近信号的峭度值,找出最大峭度值对应的逼近信号;重构特征成分并进行包络谱分析,获得故障类型。仿真及轴承振动数据测试结果表明,所提方法能更好匹配早期故障特征成分、满足轴承实时故障监测需求。     

基于VMD与共振稀疏分解的舰船辐射噪声窄带特征提取

为了获取实测舰船辐射噪声信号中有效的目标信息、提高低信噪比条件下目标信号的可分性,文章提出了结合变分模态分解(Variational Mode Decomposition,VMD)和共振稀疏分解(Resonance-based Sparsity Signal Decomposition,RSSD)的舰船辐射噪声信号特征提取方法。基于舰船辐射噪声信号具有一定的周期性而外界干扰具有随机性的特点,首先利用VMD自相关分析的方法重构信号,主要剔除带外噪声分量;然后采用RSSD算法基于信号共振属性的不同,进一步滤除带内噪声和瞬态干扰,实现对信号中周期性振荡成分的提取;最后提取信号的波形结构特征用于目标的分类识别。仿真信号与实测信号分析表明,该方法可以较好地滤除带内外噪声,增强舰船辐射噪声信号固有的窄带特征。多类舰船目标的分类实验结果表明,该方法可以有效提高低信噪比信号的可分性,有利于提高目标识别的性能。     

结合稀疏表示和子空间投影的云图检索

卫星云图能从多角度展示各类云系特征及其演变过程,实现基于内容的云图检索在天气实况监测、气候研究等方面具有重要意义。为了优化云图的组合特征,增强其组合特征的泛化能力,本文提出一种结合稀疏表示和子空间投影的特征优化方法。首先分别提取云图的颜色、纹理以及形状三种特征,并对其组合特征进行转换分块;然后对每一块的特征进行稀疏表示,根据不同原子的方差来分组特征,得到显著特征和非显著特征;最后由分组特征的能量来计算得到子空间投影矩阵,将初始的组合特征在投影矩阵上进行投影,得到优化后的云图特征。实验结果表明,本文优化云图特征的方法在查准率、查全率上均优于常用的降维方法和云图检索技术,对组合特征具有较强的优化能力,在实时检索过程中时间复杂度低,是一种全新的检索方法。     

最大相关峭度解卷积结合稀疏编码收缩的齿轮微弱故障特征提取

针对强背景噪声环境下齿轮早期故障诊断问题,提出了最大相关峭度解卷积结合稀疏编码收缩的微弱故障特征提取方法。由于最大相关峭度解卷积算法的处理结果同时受滤波器长度参数及解卷积周期参数的影响,为自适应地实现最佳的解卷积效果,利用粒子群算法优良的寻优特性,对最大相关峭度解卷积算法的最佳影响参数组合进行搜索。原故障信号经影响参数优化的最大相关峭度解卷积算法处理后,冲击特征会明显增强,为剔除剩余噪声,对所获解卷积信号做进一步稀疏编码收缩降噪处理,并通过分析降噪信号的包络谱来识别故障特征频率成分。实例分析结果验证了该方法的有效性和可靠性。     

基于连续小波系数非线性流形学习的冲击特征提取方法

为了提取机械设备故障引发的冲击成分,提出了一种基于连续小波系数非线性流形学习的冲击故障特征提取方法。首先,基于小波熵方法优化出最优的Morlet小波波形参数,实现与冲击特征成分的最佳匹配,获取包含冲击特征信息的最优小波系数矩阵。其次,采用局部切空间排列算法对最优小波系数矩阵进行非线性约简,并基于峭度指标最大化原则,确定出特征空间中的有效低维嵌入,从而提取出最优的冲击故障特征。最后,通过仿真数据和工程实际的应用对比分析,表明该方法采用了局部线性化和全局排列的思想,与线性奇异值分解方法相比,不仅在时域上提取出峭度更大的微弱冲击特征成分,而且在频谱中还提取出了相应的低频故障特征。     

RS-LOD方法及其在旋转机械故障特征提取中的应用

局部波动特征分解(LOD)方法是一种新的自适应时频分析方法。该方法通过采用微分、坐标域变换、分段线性变换三种运算,可以高效地将信号自适应分解为一系列的单一波动分量(MOC),非常适合于处理多分量信号。然而,由于分段线性变换的使用,虽可以显著提高算法的计算效率,但会使MOC分量缺乏光滑性,从而导致失真。对此,将样条曲线形状可调可控的有理样条函数引入LOD方法替代分段线性变换,提出了基于有理样条函数的局部波动特征分解(RS-LOD)方法。在详细阐述RS-LOD分解原理的基础上,通过仿真信号将RS-LOD、LOD和经验模态分解(EMD)进行了对比分析,结果表明RS-LOD方法可以明显改善原LOD方法中MOC分量光滑度差的问题。此外,针对旋转机械故障振动信号的多分量调制特点,将RS-LOD方法应用于旋转机械的故障特征提取,对滚动轴承和齿轮箱故障振动信号的分析结果表明,RS-LOD方法可以有效地提取旋转机械振动信号的故障特征。     

基于改进MP的稀疏表示快速算法及其滚动轴承故障特征提取应用

在恒定转速情况下,旋转机械中滚动轴承的局部故障往往导致周期性冲击,从而产生周期性瞬态振动信号。对局部故障的瞬态特征提取一直是故障检测的关键问题。基于匹配追踪(Matching Pursuit,MP)算法的稀疏分解是一种信号自适应分解算法,是强噪声背景下微弱特征提取的有效方法之一。针对滚动轴承故障振动信号稀疏表示过完备字典的选择与构造问题,基于相关滤波法优选与冲击波形匹配的Laplace小波原子构造稀疏表示中的过完备字典;针对基本匹配追踪算法计算量大、效率低的问题,结合FFT快速运算特性,通过互相关运算替换基本匹配追踪算法中的内积运算,研究基于改进MP的稀疏表示快速算法,进而提高计算效率。仿真与滚动轴承故障实验分析结果表明该算法能准确的提取滚动轴承故障特征且计算效率高。     

利用遗传编程提取齿轮多重故障分类特征

特征提取是齿轮多重状态或故障分类中一个很重要的问题。为解决该问题，提出了利用频域特征和遗传编程对齿轮箱盖多类状态振动信号进行特征提取的方法。为了使诊断结果更好地可视化。利用遗传编程结果的固有随机性，提取两个新特征指标。结果表明，该方法对振动数据进行了准确的多重故障分类，也可以应用到其它机械故障诊断或分类中。     

基于改进EMD与形态滤波的齿轮故障特征提取

针对齿轮故障特征往往被强背景噪声淹没的问题,提出一种改进EMD与形态滤波相结合的齿轮故障特征提取新方法。首先采用开－闭、闭－开级联而成的组合形态滤波器对原始故障信号进行消噪处理,然后通过EMD方法将包含在齿轮故障信号中的各个频率族信号分离,再采用互信息方法消除传统EMD分解结果中包含的虚假分量,最后利用分解得到的各阶固有模态函数为单一分量调制信号的特点,通过差值形态滤波的方式对分量信号进行解调以提取故障特征。齿轮故障实验信号的研究结果表明：该方法可有效的提取齿轮故障特征信息并抑制噪声,而且能够取得比传统包络解调分析更好的效果。