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。     

基于稀疏表征时频分析方法的滚动轴承故障特征提取

传统时频分析方法可以同时在时、频域反映滚动轴承的故障特征,然而故障信号中的噪声干扰会模糊故障特征在时频分布上的清晰表示。稀疏表征方法可以通过稀疏的原子来表达原始信号,其某些类型的原子在时频域上的聚集是其进行时频分析的良好特性。相比于STFT,基于稀疏原子重构的信号时频分布具有更好的分辨率;相比于WVD则避免了交叉干扰项的影响。提出基于稀疏表征时频分析方法的滚动轴承故障特征提取方法,通过仿真及实验验证所述方法相对于传统时频分析方法如STFT、WVD具有更清晰的时频特征提取效果。     

基于稀疏分解的轴承双冲击特征提取

旋转机械的轴承部件出现裂纹或凹坑时,会产生稀疏的双冲击信号,在故障早期时,双冲击信号会发生混叠现象。在稀疏分解过程中,传统的高斯最大原则无法准确提取故障信号原子。笔者通过分析冲击类故障双冲击信号的特点,研究双冲击混叠时时频因子与双冲击间隔之间的关系,构造冲击信号最优邻域,并提出一种邻域正交匹配追踪算法。在每次迭代中选取内积最大原子周围的部分原子组成子框架,计算振动信号在当前框架下的表示,再进一步计算残差信号,并进行下次迭代,直至满足迭代终止条件。通过仿真试验和故障实例分析发现,该方法能避免过匹配现象,并准确提取双冲击成分,从而计算出双冲击信号的时间间隔,对故障程度进行判定。     

基于相干累积量分段正交匹配追踪方法的轴承早期故障稀疏特征提取

低速重载机械出现早期故障时,振动信号中体现故障特征的微冲击成分具有稀疏性。根据振动动力学模型建立的故障信号过完备冗余字典,能实现对振动信号的稀疏逼近。分段正交匹配追踪(Stagewise orthogonal matching pursuit,StOMP)在正交匹配追踪(Orthogonal matching pursuit,OMP)的基础上,采用框架的思想对信号进行稀疏分解,不但克服了OMP方法导致的过匹配现象,也提高了算法的收敛速度,但在计算残差在子原子库的表示时计算量很大。基于相干累积量的StOMP方法根据故障信号过完备字典中各原子的相关性,分析了内置相干累积量和外置相干累积量的关系,并通过故障信号在字典中的内、外置相干累积量的值快速确定原子的位移因子和频率因子,进而为StOMP方法提供更为高效的子原子库选取策略,最后结合原子淘汰算法对影响不大的原子进行筛选,最终选出最能稀疏表示信号的一组原子。     

基于形态分量分析的希尔伯特变换在滚动轴承故障诊断中的应用

形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号处理方法。滚动轴承故障信号具有振幅呈指数衰减与环境噪声大的特点。通过构建一个对冲击信号敏感的字典,利用形态分量分析对轴承故障信号的时域形态特征进行最优化稀疏表示,得到滚动轴承冲击信号。并对形态分量分析后的冲击信号进行希尔伯特变换,得到明确的故障特征频率及其倍频。仿真分析与实验结果表明：该方法具有良好的降噪功能,能够准确地提取滚动轴承故障信号中的早期冲击特征。     

基于信号特征的复合字典多原子匹配算法研究

在经典匹配追踪算法的基础上,提出基于信号特征的复合字典多原子匹配的改进算法,并应用于轴承故障诊断领域。针对滚动轴承损伤性故障振动信号特点,构造高频段冲击时频特征原子库与低频段Fourier特征原子库相结合的复合字典。研究复合字典多原子匹配的稀疏分解及重构算法以用于提取故障特征,并在重构算法中引入阈值降噪原理。滚动轴承故障试验信号和工程信号分析结果证明,在冲击性故障特征提取效果上,基于信号特征的复合字典多原子匹配优于单原子匹配,并且硬阈值降噪处理效果优于无阈值处理效果。     

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。     

全矢谱和稀疏分解结合的轴承故障特征提取

针对滚动轴承在故障早期特征信号微弱、故障特征提取困难以及单通道分析方法信息利用不充分等问题,提出了一种基于稀疏分解与全矢谱相结合的滚动轴承早期微弱故障特征提取方法。首先,在已构造的冗余字典基础上对滚动轴承同源双通道早期故障信号分别进行稀疏分解,得到各自的稀疏信号;然后,将同源双通道稀疏信号进行全矢信息融合;最后,对融合后的信号进行包络解调分析,以提取出故障特征频率。该方法将全矢谱拓展到早期微弱故障诊断领域,并通过实验验证了其在早期微弱故障特征提取方面的有效性。     

基于自适应稀疏表示的宽带噪声去除算法

为了有效地去除信号中的宽带噪声,提出了一种基于自适应稀疏表示的宽带噪声去除算法.根据噪声成分与信号特征成分之间的不相关或弱相关特点,自适应地确定稀疏分解的终止条件,实现信号的稀疏表示.降噪过程中使用染噪信号构造学习样本,由信号的自适应稀疏表示和原子库的更新迭代实现原子库的训练.染噪信号在训练后的原子库上进行自适应稀疏表示,实现信号的噪声去除.仿真信号和齿轮振动信号的降噪试验表明:该方法具有比小波阈值降噪、匹配追踪降噪方法更好的降噪性能,能够有效地去除信号中的宽带噪声.     

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K-奇异值分解和层次化分块正交匹配算法的滚动轴承故障诊断

利用层次化分块正交匹配算法（HBW-OOMP）的高稀疏性和运算速度快等优点,提出了一种基于K-奇异值分解（K-SVD）字典和HBW-OOMP算法的故障轴承诊断方法。首先利用K-SVD自学习训练方法得到包含冲击成分的冗余字典,克服了固定结构字典适应性不强的缺点。然后采用基于分块思想的HBW-OOMP算法进行原子的选取和稀疏系数的求解,以重构信号包络谱峭度最大为终止条件,自适应确定分解次数。最后应用所提方法对仿真信号和故障轴承实验信号进行故障特征提取,结果表明该方法能够有效提取强背景噪声下故障特征成分,具有一定的应用前景。     

基于字典相干性优化的稀疏分类在发动机空燃比故障识别中的应用

稀疏分类直接把故障样本作为原子会造成分类字典相干性较高,进而影响稀疏分类精度,为此提出一种通过有效降低分类字典相干性来提高稀疏分类效果的优化算法。该方法首先通过传播聚类算法获取分类子字典的代表原子,然后基于极分解和子空间旋转法对子字典进行相干性优化。在某型发动机上的实验结果表明,该算法在低相干性字典上能够对怠速和2000r/min工况下的5种常见空燃比故障进行高精度识别。     

基于稀疏特征的连轧机故障信号分离方法

连轧机组的稳定性对于保障轧制产品的质量精度起着决定性的作用,连轧机组中监测各轧机状态的信号具有强耦合性,从复杂的信号中分离出各轧机独立的状态信号,对连轧机组的状态监测和故障诊断具有重要的意义。提出了一种基于稀疏特征的连轧机故障信号分离方法,并进行了仿真和现场验证。首先,通过基于时频谱分割的稀疏分解方法将各混合信号中的微弱冲击特征提取出来;其次,对所有稀疏表示信号的原子按照一定规律排序,得到各混合信号的稀疏矩阵;然后,根据稀疏原子的相似性对稀疏表示的原子进行聚类,确定盲源分离的源个数;最后,根据稀疏矩阵的系数和源个数比较准确地估计出混叠矩阵,实现混合信号的盲分离。     

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。     

广义平滑对数正则化稀疏分解方法研究及其在齿轮箱复合故障诊断中的应用

齿轮箱由于其工况复杂、工作环境恶劣,极易发生故障,并且振动信号中往往包含多种成分并且伴随着强烈的背景噪声,给齿轮箱故障诊断带来了很大的困难。稀疏分解方法能够在强背景噪声下有效地提取瞬态特征成分,针对传统稀疏分解方法存在的计算效率低,幅值低估以及估计精度不足等问题,提出了一种基于调Q小波变换(Tunable Q-factor wavelet transform,TQWT)作为稀疏表示字典的广义平滑对数正则化稀疏分解方法。该方法研究了满足紧框架条件的TQWT来构建稀疏表示字典,然后基于Moreau包络平滑思想提出广义平滑对数正则化方法,该罚函数可以在保持幅值的基础上精确重构出齿轮箱故障瞬态成分,最后利用前向后项分裂(Forward-backward splitting,FBS)算法精确求解该稀疏表示模型。仿真信号和试验信号验证了所提方法在齿轮箱复合故障诊断中的有效性。     

Sparse signal decomposition method based on multi-scale chirplet and its application to the fault diagnosis of gearboxes

Based on the chirplet path pursuit and the sparse signal decomposition method, a new sparse signal decomposition method based on multi-scale chirplet is proposed and applied to the decomposition of vibration signals from gearboxes in fault diagnosis. An over-complete dictionary with multi-scale chirplets as its atoms is constructed using the method. Because of the multi-scale character, this method is superior to the traditional sparse signal decomposition method wherein only a single scale is adopted, and is more applicable to the decomposition of non-stationary signals with multi-components whose frequencies are time-varying. When there are faults in a gearbox, the vibration signals collected are usually AM-FM signals with multiple components whose frequencies vary with the rotational speed of the shaft. The meshing frequency and modulating frequency, which vary with time, can be derived by the proposed method and can be used in gearbox fault diagnosis under time-varying shaft-rotation speed conditions, where the traditional signal processing methods are always blocked. Both simulations and experiments validate the effectiveness of the proposed method.     

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。     

基于改进多路径匹配追踪的芯片超声信号去噪方法

针对高频超声检测倒装焊芯片微缺陷的回波信号受噪声影响的问题,提出了一种基于改进多路径匹配追踪算法(MMP)的高频超声信号稀疏去噪方法。利用MMP算法获取全局最优的原子,针对MMP计算量过大的问题,在迭代过程中设置阈值和引入剪枝操作,筛选误差较大的路径,减少迭代路径,降低算法复杂度。为了避免字典维度上升导致的计算量过大,通过构建连续原子库对重构信号参数进行调整,最终实现芯片超声检测信号噪声的抑制。通过仿真和实验证明,提出的方法能够有效的去除倒装芯片高频超声检测信号中的噪音,与其他去噪算法相比,所提方法通过增加少量的计算,实现信号重构精度的提高,提升了B扫图的清晰度。