基于最优 IMF 分量和 K-SVD 的滚动轴承故障声音信号特征提取

针对滚动轴承声音信号中周期性冲击故障特征难提取的问题,提出了基于最优 IMF 分量与 K-SVD 字典学习相结合的轴承故障特征提取方法。首先,利用 VMD 分解原始信号获得一系列 IMF 分量;其次,利用 SAF 指标自适应选取最优 IMF 分量,并作为训练信号;最后,利用 K-SVD 字典学习方法训练出字典库,通过正交匹配追踪算法( OMP )对原始信号处理得到稀疏信号,并对稀疏信号进行包络谱分析。仿真及实验结果表明,对比传统 K-SVD 字典学习方法,该方法得到的稀疏信号信噪比( SNR )更高,能更准确地提取滚动轴承周期性冲击,增强了轴承故障特征。     

基于终止准则改进K-SVD字典学习的稀疏表示特征增强方法

针对传统K奇异值分解(K-Singular value decomposition, K-SVD)算法在稀疏表示过程中,由于目标信号稀疏度难以确定以及字典原子受噪声干扰大导致稀疏表示效果较差的问题,结合变分模态分解(Variational mode decomposition, VMD)算法,提出了基于VMD与终止准则改进K-SVD字典学习的稀疏表示方法。借助VMD算法剔除信号中的干扰分量,依据相关分析与峭度准则选择最优模态分量;采用终止准则改进的K-SVD字典学习算法对最优分量的特征信息进行学习,优化目标函数与约束条件,在无需设置稀疏度的前提下,构造出准确匹配故障冲击成分的字典;此外,构建一种残差阈值改进的正交匹配追踪算法(OMPerr)实现稀疏重构及微弱故障特征增强。通过仿真及试验信号进行验证,结果表明:基于VMD与改进K-SVD字典学习的稀疏表示方法在字典原子构建、稀疏重构精度以及故障特征增强等方面均优于传统K-SVD稀疏表示方法,可以有效实现微弱故障的诊断。     

基于改进K-SVD字典学习算法的轴承故障信号特征处理

轴承故障信号识别经常受到各种噪音的影响,传统K奇异值分解(K-Singular value decomposition, K-SVD)算法在稀疏表示中效果较差,通过终止准则对进K-SVD字典学习优化,设计了基于改进K-SVD稀疏表示的轴承微弱故障信号特征处理方法。将终止准则当作字典更新收敛条件,采取正交匹配追踪算法进行稀疏求解,以包络谱形式实施分析,达成对微弱故障特征的提取目标。仿真信号结果表明,添加噪声信号时域图难以对特征频率实施精准提取。通过改进K-SVD算法来学习该分量特征信息有着明显的冲击特征,通过重构误差的波动状况对更新收敛性验证。试验结果结果表明,故障特征频率被其它频率掩盖,导致故障状态难以被有效辨别。本文方法实现对微弱故障特征的高效提取,精准判断故障状态。     

基于稀疏分解的轴承声阵列信号特征提取

利用滚动轴承运行时的异常声响来识别轴承故障,搭建了轴承声阵列信号故障诊断实验平台。针对轴承声信号信噪比差、成分复杂、故障特征不明显的特点,提出一种基于稀疏分解的轴承传声器阵列信号特征提取方法。利用全息面有效声压场及其投影图对实验设备进行噪声源识别与定位,通过coif4小波字典和局部余弦字典构建冗余字典,采用稀疏分解提取热点噪声源声信号的冲击特征。仿真和实际声信号的处理结果表明,该方法准确提取了不同转速下声信号中的故障特征频率,证明了利用声阵列信号对轴承进行故障识别的有效性和可靠性。     

自适应分块前向后向分段正交匹配追踪在重构滚动轴承故障信号中应用

针对滚动轴承故障信号分块压缩感知过程中,因分块之间的稀疏度差异较大以及重构支撑集构造不合理,致使信号重构精度较低,影响信号整体重构效果的问题,提出基于自适应分块前向后向分段正交匹配追踪算法(Adaptive block forward and backward stagewise orthogonal matching pursuit,Adaptive Block-FBStOMP)。首先,依据短时自相关算法确定滚动轴承故障信号自适应分块长度,并根据此长度对信号进行自适应分块;其次,利用K奇异值分解(K-singular value decomposition, K-SVD算法训练稀疏字典;最后,提出FBSt OMP算法,在重构过程中增加原子回溯和二次筛选过程,提高有效支撑集原子被全部选入支撑集中的可能性,改善重构效果。通过仿真信号和故障信号试验分析可知,与传统压缩感知重构算法相比,该算法能够有效提升滚动轴承故障信号的重构精度。     

基于ADMM字典学习的滚动轴承振动信号稀疏分解

在稀疏分解过程中,字典模型构建的结果会直接影响稀疏分解的效果。为获得结构更好的字典,提出了一种基于交替方向乘子法(ADMM)的字典学习方法,在字典学习过程中采用交替方向乘子法逐个更新字典中原子,得到的字典具有良好的结构。将该字典学习方法应用到滚动轴承振动信号稀疏分解中,能获得更快的字典学习速度和更好的稀疏分解效果。与K-SVD字典学习方法相比较,证明了所提方法在轴承信号稀疏分解中的优越性。     

基于稀疏分解理论的航空发动机轴承故障诊断

航空发动机轴承在高温、高压、高转速等恶劣条件下运行,机动工况较多,因而故障模式复杂,背景噪声强烈,难以及时有效地诊断。针对上述问题,提出基于稀疏分解的逐级匹配形态分析(Stagewise matching morphological component analysis,SMMCA)方法。稀疏分解是一种在超完备字典上对信号进行分解,并通过优化重构算法求解信号最稀疏表达的信号处理方法。逐级匹配形态分析基于稀疏分解理论,根据信号组成成分的差异,分别构造相应成分的稀疏字典,然后通过交替投影理论和逐级正交匹配追踪算法(Stagewise orthogonal matching pursuit,St OMP)对各组成成分进行优化重构,从而实现各成分的降噪和分离,准确快速地捕获信号中的特征信息。将提出的基于稀疏分解的逐级匹配形态分析方法应用于航空发动机轴承故障诊断,仿真和试验对比分析验证了该算法的有效性。     

基于压缩感知弱匹配追踪算法的信号特征提取

针对滚动轴承故障诊断中的特征提取问题,提出一种基于压缩感知弱匹配追踪算法的特征提取方法。针对轴承故障信号特征特点构建了一个由傅里叶字典和冲击时频字典组成的联合字典,作为弱匹配追踪算法中的过完备冗余原子库。进而利用改进的简化粒子群寻优算法在联合字典原子库中寻找最能匹配轴承故障信号特征的原子,实现故障信号的快速高效稀疏分解。在信号重构阶段提出了一种改进的阈值降噪策略,解决了软阈值降噪存在恒定偏差以及硬阈值降噪的不连续问题。对CWRU（Case Western Reserve University）轴承数据中心所提供的标准轴承故障信号和某钢厂滚动轴承实测信号进行了仿真,仿真结果验证了该方法的优越性。     

基于短时信号重构与K-SVD特征提取算法

以故障信号局部包含信息的差异性为基础,通过短时奇异值分解算法来提取淹没与背景噪声中的故障冲击成分。再结合K-SVD稀疏分解训练算法,提出1种自适应学习字典构建方法,可以有效的自适应表征滚动轴承的故障信号。仿真和试验结果分析论证表明,该故障特征提取技术较常规稀疏匹配算法具更好的识别和提取冲击故障特征能力,有助于实现滚动轴承故障智能诊断。     

基于K-SVD字典学习算法的稀疏表示振动信号压缩测量重构方法

针对目前机械振动信号频带越来越宽,依据传统香农-内奎斯特采样定理进行数据采集时,将会得到巨量振动数据,对存储、传输和处理带来困难的问题,提出了基于K-SVD字典学习算法的稀疏表示振动信号压缩测量重构方法。首先分析了振动信号在基于K-奇异值分解(K-Singular value decomposition,K-SVD)字典学习算法得到的过完备字典上的近似稀疏性,即可压缩性;然后利用高斯随机矩阵对振动信号进行压缩测量;最后基于压缩测量值采用正交匹配追踪算法对原始振动信号进行重构。仿真测试结果表明,当振动信号压缩率在60%~90%时,基于K-SVD字典学习算法构造的过完备字典比基于离散余弦过完备字典压缩感知重构相对误差小。该方法既可以得到较高的信号压缩比又有着精确的信号重构性能,在不丢失振动信息的情况下,大大减少了原始振动数据量。     

Complex signal analysis for planetary gearbox fault diagnosis via shift invariant dictionary learning

Planetary gearbox vibration signals are intricate due to the unique structure, complex kinetics and background noise interference. Moreover, they have time shift invariant feature because of the periodical rotation of the mechanical components. Reliable feature extraction from such signals is the key to success in planetary gearbox fault diagnosis. The recently proposed shift invariant K-means singular value decomposition (SI-K-SVD) dictionary learning method offers a good approach to analyze such signals. This method requires neither a priori knowledge on signals to construct any analytic dictionary, nor a large number of sample signals to form a training dictionary. It is therefore data-driven in nature, and highly flexible and adaptive to represent signals. In this paper, such properties of the SI-K-SVD are exploited to extract the latent constituent components of complex signals and use them to represent signals sparsely, thus suppressing background noise and revealing the true vibration patterns. To apply the SI-K-SVD method to planetary gearbox signals, the criteria for determining the key parameters used in the SI-K-SVD, i.e., the length of pattern and number of decompositions, are suggested. The method has been illustrated by analyzing numerically simulated signals. It has been favorably compared with the frequently used matching pursuit (MP) and K-means singular value decomposition (K-SVD) methods. Its effectiveness in real planetary gearbox fault diagnosis has been validated by analysis of lab experimental signals of a planetary gearbox. The results show that both localized and distributed gear faults can be diagnosed successfully.     

An improved initialization method of D-KSVD algorithm for bearing fault diagnosis

A novel bearing fault diagnosis method combining feature extraction based on wavelet packets quantifiers and pattern recognition method based on improved initialization method of Discriminative K-SVD (D-KSVD) algorithm is proposed. In D-KSVD algorithm, the representational power of dictionary and discriminative ability of classifier are seriously affected by their initialization values. Therefore, the improved initialization method of D-KSVD is presented and employed for bearing fault diagnosis. The improvement is that during the initialization of training stage, subdictionaries corresponding to each category are trained by K-SVD separately and then the initial dictionary is constructed by cascading the subdictionaries, which can completely represent the characteristics of all categories, and as for the initialization of linear classifier, naive Bayesian classifier is utilized. The experimental results show that under the same parameters the improved D-KSVD has better classification ability compared with traditional D-KSVD and some other classification methods.     

基于多字典-共振稀疏分解的脉冲故障特征提取

针对信号共振稀疏分解(RBSSD)方法中因字典单一导致其在处理低信噪比信号时存在分解不完全,以及因参数繁多选取困难而使其在实际工程中存在应用局限的问题,提出了多字典-共振稀疏分解(MD-RBSSD)方法。该方法在RBSSD调Q字典的基础上添加了Symlet8字典和正弦字典,通过对RBSSD分解后的低共振分量进行再次分离来实现对故障脉冲的增强提取。同时,引入相关峭度指标对提取结果进行量化评价,以验证分解结果的可靠性。算法仿真、实验分析和工程实例结果均表明,与传统RBSSD方法相比,所提出的MD-RBSSD方法能够更加准确有效地提取故障冲击成分,降低了RBSSD参数选择的难度,从而增加了RBSSD方法在工程领域的适用性。     

非局部均值噪声预测的独立成分分析降噪研究

为解决采用独立成分分析算法进行图像降噪需要多个观测信号的问题,提出一种对单张图像冗余信息进行稀疏以生成多个观测信号的方法。该方法首先采用字典压缩算法对原噪声图像稀疏;再采用非局部均值算法对压缩图像的冗余信息进行处理,将处理后的冗余信息生成初次降噪图像;将初次降噪图像和原噪声图像共同作为独立成分分析的多个观测信号。结合非局部均值算法可以避免仅使用字典压缩算法造成的过量稀疏,研究表明当高斯白噪声标准差σ在20~45范围时,本文提出的方法比字典稀疏压缩算法和非局部均值算法降噪效果更好,图像降噪后的峰值信噪比是降噪前的1.4倍。本文提出的方法在高斯白噪声标准差σ在20~45范围时,具有很好的降噪效果。     

改进的共振稀疏分解方法及其在滚动轴承复合故障诊断中的应用

滚动轴承复合故障信号中各故障特征受到传输路径和其他干扰源的影响,在多缺陷共存条件下提取单个缺陷诱发的故障特征存在困难。提出一种基于双参数优化、子带重构改进的共振稀疏分解(RSSD)滚动轴承复合故障诊断方法：首先利用人工鱼群算法自适应选择RSSD的品质因子和分解层数以构造与故障特征匹配的最优小波基,获得包含瞬态冲击的低共振分量;然后依据提出的子带筛选准则选择并重构低共振分量中包含瞬态冲击成分的最佳子带;最后通过多点最优最小熵反卷积（MOMEDA）方法识别并提取重构信号中周期性故障冲击。仿真信号和轴承全寿命周期复合故障信号分析结果表明,与RSSD-MCKD方法相比,所提出方法能有效提取复合故障信号中各故障特征,精确实现轴承复合故障诊断。     

近似稀疏正则化的红外图像超分辨率重建

针对红外图像分辨率低、受噪声影响严重等问题,引入近似稀疏正则化和K-奇异值分解（K-SVD）法,提出了基于近似稀疏表示模型的红外图像超分辨率重建方法。考虑到红外图像受到噪声污染,首先建立了稳健近似稀疏表示模型。针对已有字典训练方法时间消耗巨大问题,在假定低分辨率图像空间和高分辨率图像空间具有相似流形的前提下,联合近似稀疏表示模型和K-SVD方法,提出近似稀疏约束的基于K-SVD的高低分辨率字典对学习算法。最后,通过高分辨字典和对应的红外图像群稀疏表示系数重建得到高分辨率的红外图像。为了验证算法的性能,对提出的算法与稀疏性正则化的图像超分辨模型（SRSR）和Zeyde算法进行了实验比较。结果表明,本文方法能够较好地减少红外图像中的噪声,同时获得更好的超分辨率重建效果。     

G-KSVD字典及其在滚动轴承故障信号稀疏表示中的应用

针对传统学习字典中缺少原子相干性分析的问题和最优原子选择问题，提出了一种基于有效奇异分量的G-K奇异值分解（G-KSVD）字典学习方法。基于信号相干性提出自相关函数脉冲能量比（ACFPER），并以此为指标对奇异分量进行筛选，实现信号的降噪，利用包含故障信息较多的分量对字典原子进行更新和系数求解，从而达到增强信号中冲击成分的目的，并通过减少反馈层来降低时间成本。利用仿真信号和实际轴承信号对所提方法进行有效性及重复性的验证，结果表明，G-KSVD算法在有效区间内具有良好的去噪效果和较低的时间成本。     

基于训练局部字典的倒装芯片高频超声检测信号稀疏去噪方法

针对高频超声检测倒装芯片缺陷的精度易受噪声影响以及高频超声信号维度高的问题,提出一种基于K-奇异值分解(K-Singular value decomposition, K-SVD)训练局部字典的高频超声信号稀疏去噪方法。采用K-SVD训练字典来减小信号与字典中原子之间的误差,并针对K-SVD不能训练高维度字典的问题,将高频超声信号分段,在低维度字典上对局部信号进行稀疏分解,从而降低训练字典和稀疏分解的计算复杂度;利用信号的全局最大后验概率(Maximum a posteriori probability, MAP)估计重构信号,消除因局部处理带来的信号跳变,实现高频超声信号的去噪。仿真和试验结果证明,提出的方法能够有效的去除高频超声信号中的噪声,与在全局字典上进行高频超声信号的稀疏分解相比,采用局部训练字典对信号进行稀疏分解在保证去噪性能的同时降低了计算复杂度。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。