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。     

基于过完备字典的基追踪法在轴承故障诊断中的应用

滚动轴承故障具有信号复合和环境噪声大的特点。通过构建一个对复合信号敏感的过完备字典,利用基追踪法对故障信号进行最优化的稀疏表示,获得简洁的故障冲击时频特征结构,并实现阈值降噪。通过对重构信号谱分析后得到明确的故障特征频率及其倍频。仿真与实验结果表明:该方法具有良好的降噪功能,能够准确地提取信号中的冲击特征。     

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。     

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。     

压缩感知在滚动轴承振动信号降噪中的应用

针对滚动轴承振动信号降噪的问题,研究压缩感知在滚动轴承信号降噪中的应用。分析滚动轴承振动信号的DCT变换系数值分布的特点,提出能够自适应信号类型的重构停止阈值计算方法,使用OMP进行信号重构的同时实现降噪。与传统小波阈值降噪方法进行实验对比分析,结果表明:使用的方法在降噪效果上与小波双曲阈值方法接近,优于小波软阈值方法,且处理的数据量远小于小波方法。     

基于CEEMDAN与自适应阈值降噪的滚动轴承故障诊断

针对滚动轴承故障信息受到噪声污染而难以识别的问题,提出一种基于自适应噪声完备集合经验模态分解和自适应阈值降噪(CEEMDAN-ATD)的滚动轴承故障诊断方法。首先对原始振动信号进行CEEMDAN分解;其次利用灰色关联分析法(GRA)筛选出噪声主导和信号主导的分量;然后对噪声主导分量分别进行自适应阈值降噪(ATD)处理,并与信号主导分量进行重构;最后通过分析重构信号的Teager能量谱实现滚动轴承故障的识别。采用凯斯西储大学轴承数据对所提方法进行验证,并与完全总体经验模态分解-自适应阈值降噪(CEEMD-ATD)和CEEMDAN-小波阈值降噪(CEEMDAN-WTD)2种方法作比较,结果表明,所提方法表现出较好的自适应性和去噪效果,能够较好地服务于滚动轴承故障诊断。     

基于共振稀疏分解的滚动轴承早期微弱故障诊断

传统方法很难对滚动轴承的早期微弱故障进行有效诊断.共振稀疏分解是一种基于多字典库的稀疏分解方法,可以同时分解出滚动轴承故障信号中的瞬态冲击成分及其持续震荡成分(工频及其谐频成分).该方法在对滚动轴承早期微弱故障信号进行自适应滤波降噪(采用Ensemble Empirical Mode Decomposition,EEMD方法)基础上,对处理后的信号进行共振稀疏分解分析,分别构建高、低品质因子小波基函数字典库,并利用形态学分析方法建立信号稀疏表示的目标函数,进而实现对滚动轴承发生故障时具有低品质因子的瞬态故障成分及其他持续振荡高品质因子噪声成分的成功分离.对分离得到的低品质因子信号成分进行包络解调分析,进而得到较好的故障提取特征结果.通过实验验证了所述方法的有效性.     

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。     

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。     

基于小波包时延相关解调的滚动轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且容易被强烈的背景噪声淹没,提出基于小波包时延相关解调的分析方法,实现滚动轴承的故障特征提取及故障诊断。首先,以信噪比SNR和均方根误差RMSE为准则,对比小波包阈值的降噪效果,选取最优小波包参数,以增强振动信号的信噪比。然后将降噪后的信号进行重构。最后,通过时延相关解调分析提取去噪重构信号的故障特征。通过仿真和试验数据分析,验证了所提算法能够较准确地提取轴承故障特征频率。基于与包络分析和小波包络分析进行的对比,证明了所提方法能够获得更高精度的故障特征参数,进而更加有效地实现滚动轴承的早期故障诊断。     

盲解卷积和频域压缩感知在轴承复合故障声学诊断的应用

针对时域盲解卷积算法对单一故障机械声信号有效,及传统稀疏分量分析对声信号分析失效等问题,提出一种盲解卷积、形态滤波和频域压缩感知重构的稀疏分量分析相结合的轴承复合故障声学诊断方法。通过时域盲解卷积算法优选分量结果,提取声信号的冲击成分。使用形态滤波滤除背景噪声。使用模糊C均值聚类估计混合矩阵,重构传感矩阵,并运用稀疏度自适应匹配追踪基算法(Sparsity adaptive matching pursuit,SAMP)的频域压缩感知重构分离信号。双通道滚动轴承故障声信号分析结果表明该方法能够有效分离和提取滚动轴承故障特征。     

稀疏度拟合的自适应机械振动信号压缩感知

针对利用机械振动信号进行设备故障诊断和状态监测过程中,存在采样数据量多、存储容量大、传输带宽高和信号重构精度低等问题,提出一种稀疏度拟合的自适应机械振动信号压缩感知方法。首先,对机械振动信号进行多尺度小波包变换,再将小波包系数按一定阈值进行置零处理并求取其稀疏度;然后,采用迭代方法求取各稀疏度下满足重构信号精度条件的最低采样率,并对信号的稀疏度和采样率采用最小二乘法进行拟合,消除信号测量误差,求取最佳信号采样率;最后,采用K-奇异值分解算法构造与各信号块相适应的过完备字典,并利用正交匹配追踪算法实现信号重构。实验证明,与传统压缩算法相比较,该算法的信号压缩率和重构精度均得到较大提高。     

基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

基于遗传算法的匹配追踪小波分析及其在非平稳故障信号中的应用

闰美观分析理论在信号检测、故障诊断领域已得广泛应用,尤其是在处理非平稳故障信号方面,小波分析更为有效,匹配追踪小波分析是专门处理高度不平稳信号的一种算法,但该算法每次计算需要不断地调整小波库中的各个参数来寻找最佳的匹配小波,增加了算法实现的难度,从而限制了该算法的应用,本文提出基于遗传算法的匹配追踪小波分析,把遗传算法良好的多参量全局寻优特性和匹配追踪的基本原理有机地结合起来,并采用了处理非平稳信号的有力工具Wigner谱。利用该方法分别对仿真信号和试验信号进行分析,结果表明本方法十分有效,而且对实测故障信号的分析诊断结果与实际十分吻合。     

基于EMD和BCS的振动信号数据修复方法

为改善振动信号修复效果,引入贝叶斯压缩感知(BCS)理论,并提出一种基于经验模态分解(EMD)的贝叶斯压缩感知修复方法,以解决连续缺失信号修复问题。针对随机缺失信号,根据压缩感知修复原理,利用贝叶斯压缩感知算法进行修复;针对连续缺失信号,先对其进行经验模态分解,对分解得到的所有基本模式分量利用多任务贝叶斯压缩感知算法进行修复,最终将所有修复的基本模式分量累加得到整体信号。利用西储大学公开轴承数据进行修复实验,发现所提方法在时频域指标、误差、信噪比、峰值信噪比等方面均优于正交匹配追踪和正则化正交匹配追踪算法。从修复效果角度验证,发现该方法成功还原了外圈故障信号基本模式分量中的故障特征频率,达到了修复的目的。     

基于改进ICA-OMP优化原子分解的谐波和间谐波检测方法

针对原子分解中匹配追踪类算法存在的问题,提出一种结合帝国竞争算法(ICA)和正交匹配追踪算法(OMP)优化原子分解的电网谐波和间谐波信号检测方法。首先根据谐波和间谐波信号的特征,将Gabor原子库简化为正弦原子库。然后采用OMP算法对谐波和间谐波信号进行原子分解,通过设置合理的相关性阈值确定终止迭代次数。最后,根据搜寻出的最佳匹配原子的索引参数实现谐波和间谐波信号参数估计。在OMP算法迭代过程中引入ICA,可实现在连续参数空间中搜索最佳匹配原子,避免索引参数步长对检测精度的限制。算例仿真与实测表明本文提出的算法能够在噪声干扰情况下准确检测出各次谐波和间谐波分量,频率、幅值和相位的最大检测误差分别为0.015 4%、0.722 4%和1.512 6°,可有效分辨出频率相近的间谐波分量,实现时变谐波和间谐波分量的精确定位。与正交匹配追踪算法相比,计算复杂度缩减率在99%以上。     

基于字典学习和稀疏编码的振动信号去噪技术

针对现有机械振动信号去噪算法需要一定先验知识的问题,提出了一种基于字典学习和稀疏编码的自适应去噪滤波方法。根据信号的本质特性,应用在线字典学习方法对原始数据进行学习和训练,寻求数据驱动的最优字典空间。引入正交匹配追踪算法,确定原始信号在最优字典空间上的稀疏表示。基于稀疏编码和优化字典,重构原始信号,实现信号去噪。仿真和试验结果表明,相对于现有去噪方法,基于字典学习和稀疏编码的方法自适应能力强,去噪效果好。     

非凸罚正则化稀疏低秩矩阵的大型减速机圆锥滚子轴承微弱故障诊断

在强烈外界噪声下或轴承故障早期发展阶段,从轴承非平稳故障信号中提取微弱冲击成分是一个难点,针对这一问题,提出了一种新的基于非凸罚正则化稀疏低秩矩阵（Non-convex penalty regularization sparse low-rank matrix,NPRSLM）的轴承微弱故障特征提取方法。该方法不依赖振动信号结构的先验知识,也无需采集大量的样本信号来训练字典,避免了传统稀疏表示设计冗余字典带来的缺乏物理意义,通用性差等缺陷。该方法的核心思想是把采集的振动信号与待提取的故障脉冲看作一维矩阵（向量）,通过求解稀疏正则化的反问题得到故障脉冲信号。在建模上,通过引入非凸罚函数代替了传统最小化L1-norm融合套索算法,建立非凸罚正则化稀疏低秩矩阵模型,理论推导了所建立模型的严格凸性,并利用交替方向乘子法（Alternating direction method of multipliers,ADMM）对模型进行求解,同时讨论了模型参数对模型算法的收敛性问题、凸性与非凸性边界取值问题等。仿真算例与大型减速机圆锥滚子轴承诊断实例表明：该方法不仅能提取隐藏在强烈外界噪声中的微弱冲击特征,而且改善了传统最小化L1-norm融合套索算法在提取微弱故障冲击时产生的脉冲能量大幅衰减与脉冲数目丢失问题。     

柴油机振动信号快速稀疏分解与二维特征编码

针对柴油机故障诊断方法中的信号时频表征及特征提取问题,提出一种基于振动信号快速稀疏分解与二维时频特征编码识别的柴油机智能故障诊断方法。首先,为了获得时、频聚集性优良的时频图像,提出一种随分解残差信号自适应更新Gabor字典的改进匹配追踪(adaptive matching pursuit,简称AMP)算法,利用AMP算法将柴油机振动信号分解后叠加各原子分量的Wigner-Ville分布,获取原信号的稀疏分解时频图像;然后,为提取时频图像的特征参量,提出了双向二维非负矩阵分解(two-directional,2-dimensional non-negative matrix factorization,简称TD2DNMF)算法,用于对时频图像的幅值矩阵进行特征编码,获取蕴含在时频图像内部的低维特征,并利用最近邻分类器实现了时频图像的自动分类识别。将提出的方法应用于4种不同状态柴油机气门故障的诊断试验中,结果表明,该方法能够获得无交叉项干扰、聚集性好的时频图像,使各时频分量的物理意义更加明确,并改进了传统图像模式识别中的特征参数提取方法,是一种有效的柴油机故障诊断方法。