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。     

强噪声下工程装备轴承信号的稀疏重构研究

工程装备轴承故障工况特征常被外在信息淹没,为了对故障数据有效提取,提出了粒子群寻优与稀疏重构相结合的降噪滤波方法,选取Laplace小波基进行参数寻优与字典预构,进而对轴承的振动信号进行稀疏重构.通过对实验数据施加2 dB的高斯白噪声模拟工程环境下的轴承信号,将优化的稀疏重构算法与巴特沃斯滤波器、小波阈值去噪算法进行对比.结果显示:在峰值信噪比与波形相似性等参数上,所提方法的效果更优,所得的重构信号内外圈故障特征频率与理论特征频率相接近,在充分过滤噪声后,可保留原始特征信息,为后期的故障诊断提供良好的数据基础.     

快速固有成分滤波特征融合的轴承故障诊断方法

稀疏滤波故障特征增强方法依托故障信息固有的稀疏性可以有效实现轴承微弱故障诊断，但其存在两类弊端：经验地设置其输入、输出维度，引起特征提取效果的不确定性；需要利用先验知识从优化的权重矩阵中严格地筛选出特定成分，造成故障特征信息损失。针对上述问题，提出快速固有成分滤波特征融合方法。首先，引入复杂性测度设计自适应的稀疏滤波维度参数选取准则，并采用稀疏滤波优化目标指数遴选出一簇故障信息丰富的融合源；其次，建立故障特征融合源流形学习融合策略，包括改进流形学习方法融合遴选出的融合源，构造融合分量异常幅值检测策略和给出了最大化故障信息的融合分量加权表示。提出方法可解决稀疏滤波维度参数选择、特征筛选造成信息损失和固有流形幅值异常引起包络谱奇异等问题。仿真和试验结果验证所提出方法相较于现有流形学习和稀疏滤波等方法具有更强的轴承微弱故障特征提取能力。     

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。     

基于频域稀疏分类的滚动轴承故障诊断方法

针对基于特征频率识别的滚动轴承故障诊断方法存在易受强噪声干扰的问题,提出基于频域稀疏分类算法的诊断方法。首先对已知故障类型的滚动轴承振动信号进行时频变换,利用频域变换系数构造训练字典,再将待测轴承振动信号的频域系数在该字典上进行稀疏分解,求取稀疏系数,根据重构误差的最小值确定故障类型。测试结果表明:该方法能有效克服噪声干扰,并避免故障特征频率的估算问题。     

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。     

基于空间自适应和正则化技术的盲目图像复原

在原非负支撑域递归逆滤波（NAS-RIF）算法基础上,本文提出一种基于空间自适应和正则化技术的改进算法。在代价函数中,引入两项空间自适应的加权项,分别用来确保图像复原的逼真和平滑,自适应加权项需根据观察图像的局部特性和噪声方差求得。并加入正则化项,以达到抑制噪声的目的。本文提出了根据观察图像来估计噪声方差的方法,因而不需要知道噪声方差的先验条件。在求解中,采用共轭梯度算法来进行求解。对不同背景和不同信噪比的图像进行了仿真实验。结果表明：改进后的算法比原来的算法复原效果更好。     

周期稀疏导向超小波在风力发电设备发电机轴承故障诊断中的应用

机械故障特征提取的内积变换原理要求匹配基函数与目标特征之间的相似性。在缺乏故障特征的精确信息这一不利条件下,根据故障呈现出的确定性以及统计特性能够有效指导基函数的选择和构造针对发电机轴承发生故障时常伴随周期性特征的先验知识,提出冲击故障特征周期性稀疏为导向的超小波构造方法。所提出的超小波变换利用可调品质因数小波变换作为匹配字典库,从而改进经典的基于单一固定基函数的小波分析思想。在技术路线上:首先采用超小波字典库对信号进行分解,计算各小波尺度上的周期性稀疏故障特征能量权重指标;以该权重指标优化为目标函数作为评价超小波字典与微弱故障特征匹配相适度的依据选择的可调品质因数小波最优刻画参数(即最优超小波);利用最优的超小波基函数对信号进行最终分解,获取其中的关键故障特征。所提出方法成功地应用于某风力发电机组上发电机轴承故障诊断,从中提取振动信号中隐藏的微弱冲击性故障特征。     

基于SALSA优化算法的变转速轴承故障特征稀疏表示方法研究

变转速工况下轴承等设备的关键部件出现故障后对设备的危害十分严重,而且此类工况下振动信号更加复杂。为了克服此类问题,引入分裂增广拉格朗日收缩算法建立变转速轴承故障特征稀疏表示方法,实现变转速下轴承故障冲击特征的准确提取。首先,基于变转速轴承故障振动响应模型,分析不同转速下轴承故障振动响应形态变化规律,构造Laplace小波基底过完备字典;然后运用分裂增广拉格朗日收缩算法实现故障信号的稀疏表示与重构,通过提取重构信号的特征阶次实现轴承的故障诊断。轴承故障诊断实例验证了所提方法在变转速工况下轴承故障诊断的有效性。     

基于光流拓扑稀疏加权的同步运动去混叠

针对欧式距离加权的稀疏子空间聚类在对多个同步运动刚体进行运动分割时不考虑刚体流形结构的局限性,提出了一种由光流轨迹流形拓扑结构加权的稀疏子空间聚类算法,在光流轨迹的时空相似度邻接矩阵里计算各轨迹相似度的流形距离并嵌入稀疏子空间字典表达的权值矩阵进行稀疏系数求解,使得流形距离较近的轨迹优先成为稀疏自表达字典,从而减少对欧式空间相距较小但不属于同一物体的同步运动刚体轨迹的聚类混叠,经过同步移动和同步摆动两种情况算法对比实验表明:本文提出算法可以将混叠降低到1%以下,最后,在双针床经编机贾卡针同步摆动的运动分割结果表明算法具有进一步的工业视觉应用前景。     

基于低秩稀疏分解算法的铣床齿轮箱故障诊断

铣床齿轮箱的安全运行对保证机械设备的效率具有重要的作用,其故障诊断复杂难控。传统形式算法只是从原始振动信号中进行字典原子学习,并未从本质层面分析特征信息物理结构特性。采用低秩稀疏分解算法,并进行BCD求解对齿轮箱故障诊断开展分析。研究结果表明：特征信号已淹没到了噪声中,能够对等间隔冲击特征进行准确识别,并使特征信号信噪比由-9.152增大为4.716。表明采用稀疏低秩算法能够滤除噪声干扰,从而高效识别瞬态冲击成分。经过3次迭代后特征信号发生了奇异值快速衰减现象,具有明显稀疏特性。低秩稀疏分解信号形成的包络谱,已经实现了所有干扰频率成分以及噪声成分的滤除效果,采用低秩稀疏分解算法能够实现齿轮箱局部故障的准确诊断。     

基于CCWEEMDAN和包络谱熵的轴承故障诊断研究

完全互补小波噪声辅助集总经验模态分解(CCWEEMDAN)是经验模态分解(EMD)的改进算法,是一种噪声辅助的自适应非线性非平稳数据处理方法。噪声辅助能克服EMD方法处理间歇信号出现的"模态混叠"问题。而相比较互补集总经验模态分解(CEEMD),完全互补小波噪声辅助集总经验模态分解能实现更优的性能。在轴承故障诊断的应用中,这里的方法利用小波分解高频段噪声细节成分,添加到原始轴承故障信号中,提取出本征模态信号。利用包络谱熵判断轴承故障导致的冲击响应特征所在本征模态信号,通过对轴承外圈、内圈局部故障状态下的特征提取进行故障诊断,结果表明该方法能有效提取故障冲击响应特征。     

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。     

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。     

改进经验小波变换和改进字典学习在轴承故障识别中的应用

通过深度学习进行滚动轴承故障识别时,存在因信号噪声导致故障识别率较低和深层网络收敛速度慢的问题。针对上述问题,提出了一种改进经验小波变换(EEWT)和改进字典学习(EDL)的轴承故障识别方法。首先,将轴承振动信号进行包络谱变换,通过包络谱的极值点与自适应阈值的关系进行包络谱边界自动划分,进而利用经验小波变换(EWT)将信号自动分解为调幅-调频(AM-FM)分量;其次,提出一种新的AM-FM分量筛选指标,利用筛选指标选取合适的AM-FM分量进行重构,进而对信号进行有效降噪;最后,利用稀疏性约束逐层学习降噪后轴承故障样本中的典型结构特征,并构造深层故障字典(DFD),将故障样本输入DFD中,根据样本的重建误差确定故障类别。试验结果表明,该方法对噪声的鲁棒性高,故障识别能力优于其他模型,而且该方法可利用驱动字典自动提取轴承振动信号样本中的故障特征;同时,EDL结构使所提取的故障特征具有较好的层次性,符合人对故障的直观认识,可用于滚动轴承故障识别工程中。     

改进字典学习的振动信号检测方法

机械零部件振动信号包含了大量机械系统运行状态信息,针对传统检测方法依赖于经验知识和人工定参,提出了一种改进字典学习的振动信号检测方法。通过原始振动信号自身驱动,采用非负条件下基于K奇异值分解的改进算法训练超完备字典,结合基追踪算法稀疏编码,重构实现振动信号预处理。根据重构信号的包络谱,对比先验计算频率。仿真和实验结果表明,改进字典学习的振动信号检测方法能够有效提取故障频率,适用于故障检测,为基于振动信号实现机械系统智能化维护提供了参考。     

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。