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。     

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。     

相空间稀疏化的信号压缩感知与重构方法

针对旋转机械振动信号受强噪声干扰导致传统FFT频域稀疏性差,难以进行正交匹配重构的问题,提出了相空间稀疏化结合正交匹配追踪(orthogonal matching pursuit,简称OMP)的信号压缩感知(compressed sensing,简称CS)方法。首先,对信号进行相空间重构(phase space reconstruction,简称PSR),并采用主分量分析(principal component analysis,简称PCA)提取主要分量和重构信号,以提高信号的频域稀疏性;然后,采用随机高斯矩阵测量及压缩频域稀疏性得到优化的信号;最后,采用正交匹配追踪算法重构信号。仿真信号和转子典型不对中信号的分析结果表明,该方法可以提高受强噪声干扰的振动信号在频域内的稀疏性,实现转子振动信号的有效压缩和准确重构。     

齿轮故障的稀疏编码诊断

介绍了机械故障稀疏编码诊断的基本原理,利用振动信号的幅值谱序列建立特征向量,通过齿轮四种故障的振动信号验证了稀疏编码在齿轮故障诊断中的有效性,并且具有较高的诊断准确率。     

基于特征融合和稀疏表示的齿轮故障诊断

提出了基于特征融合和稀疏表示的机械故障诊断方法。用小波包分解齿轮振动信号,提取各频带的能量,组成初始特征向量。为了去除初始特征向量中的冗余信息,采用核主元分析进行特征融合,对初始特征向量进行降维,将降维之后的特征向量进行归一化,作为稀疏表示分类的输入。齿轮故障诊断实验表明,所提方法能较好地诊断出齿轮不同类型的故障。     

齿轮性能退化评估的时序重构模型

齿轮性能退化评估是预诊断的提前和基础,针对概率相似度量评估方法存在模型复杂,容易过早饱和等现象,提出一种基于AR (Autoregressive model)模型和字典学习的齿轮性能退化评估的重构模型方法,其中AR模型用于提取齿轮振动信号的状态特征,字典学习通过正常状态下构建的字典模型(Dictionary learning, DL)对测试样本进行AR模型系数重构。首先提取正常运行状态下振动信号的AR模型系数构建过完备字典模型,然后将待测信号的AR系数作为特征向量输入字典模型中得到重构后的AR模型系数。最后由原始AR系数和重构AR系数分别构造自回归模型,并各自完成对待测信号的时序建模,将两自回归模型所得残差序列的均方根误差作为性能劣化程度指标。全寿命疲劳实验数据分析结果表明,与传统时域指标相比该方法对早期故障更敏感且具有与齿轮故障发展趋势一致性更好等优点。     

采用K-SVD字典训练稀疏基的压缩感知叶尖间隙数据重构方法

航空发动机叶尖间隙是监控其运行状态的有效参数，现有间隙测量方法很难满足超高转速下间隙距离的奈奎斯特采样率，因此无法有效提取精确的叶尖间隙值。本文基于压缩感知原理，针对间隙距离数据特征提出一种采用K-SVD(K-singular value decomposition)字典训练稀疏基的数据重构方法，该方法首先构建出K-SVD字典稀疏基对数据进行稀疏化表示，然后使用m序列高斯随机矩阵对数据进行压缩观测，最后基于压缩欠采样观测值使用正交匹配追踪算法对数据进行重构，进而精确提取叶尖间隙值。实验结果表明，在欠采样条件下间隙距离数据可精确恢复重构，与高采样率下的间隙数据相比，重构误差不超过0.02 mm。     

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。     

奇异值分解与LMD结合的滚动轴承故障诊断研究

针对滚动轴承故障信号具有的非线性和非平稳性,其故障特征难以提取的问题,提出一种奇异值分解(SVD)和局部均值分解(LMD)相结合的滚动轴承故障特征提取和诊断方法。首先,将轴承故障信号进行LMD分解得到若干PF分量;然后选取和原始信号相关度较大的PF分量,利用奇异值序列来构造其故障特征向量;最后,将得到的故障特征向量作为学习样本输入到支持向量机(SVM)中,对故障类型进行分类和识别。实验结果表明,LMD和SVD结合的故障特征提取方法,能有效提取滚动轴承不同状态下的故障特征,对不同故障状态做出准确分类。     

基于压缩感知的频域OCT图像稀疏重构

为了减轻频域光学相干断层扫描成像(Frequency Domain Optical Coherence Tomography,FD-OCT)中高数据量导致的后续数据采集与处理系统的压力,同时解决成像时间和成像质量之间的矛盾,引入了压缩感知技术,并对该技术中的重构算法进行了重点研究。首先,通过分析压缩感知技术的框架,利用离散余弦变换(Discrete Cosine Transform,DCT)获得频域OCT图像的稀疏表示。接着,利用高斯随机矩阵对OCT图像进行线性观测。然后,研究了FOCUSS(Focal Underdetermined System Solver)重构算法的原理,并在算法中结合分块思想、引入正则项lp范数以及嵌入各向异性平滑算子。最后,组合所有小图像块,得到整幅频域OCT图像的压缩感知重构结果。实验结果表明:改进重构算法的运行时间由78.65 s缩短为1.89 s,并且显著改善了图像块效应,将重构图像的PSNR值提高了1.6～2.7 dB,SSIM值可达到0.938 3。压缩感知技术可以用较小的采样数据量精确重构出原始频域OCT图像,改进FOCUSS重构算法可以在一定程度上实现频域OCT图像重构效率和重构质量的平衡。     

振动信号过完备字典完整训练样本重构性能研究

针对用于训练过完备字典的样本集合中信号类型不足会影响到后续分析、分类和识别精度的问题,提出了一种基于过完备字典完整训练样本的滚动轴承振动信号压缩重构方法。该方法首先构造了用于字典学习的样本集合,使其尽可能多地包含各种信号成分;然后从所构造的多信号样本集合中随机选取K个原子作为初始字典,采用K-SVD算法对初始字典进行训练更新得到过完备字典,获得信号在K-SVD过完备字典上的最稀疏表示;最后利用高斯随机测量矩阵对振动信号进行压缩测量,并基于压缩测量数据采用正交匹配追踪(OMP)算法对原始信号进行重构。仿真实验结果表明,不同的训练样本集合对信号的重构精度有着很大的影响,且基于K-SVD过完备字典对信号进行稀疏表示时在较低的采样率下依然有着精确的重构性能。该方法在不丢失原始振动信号主要信息的情况下重构精度更高、重构时间更短。     

压缩感知在电容层析成像流型辨识中的应用

针对传统电容层析成像(ECT)流型辨识方法识别率较低的问题,提出一种基于压缩感知理论的ECT流型辨识方法.首先,将ECT系统获得的测量电容向量归一化,并表示为训练样本集的过完备字典稀疏线性组合;然后,将随机高斯矩阵作为测量矩阵对测试样本和标准样本分别进行采样,并利用压缩感知信号重构算法求解L0范数下的最优化问题,从而得到各样本在训练样本集上的稀疏表示;根据待测样本和标准样本稀疏解之间的线性相关程度来确定归属流型.对典型流型的仿真实验结果显示,在无噪声、40 dB、20 dB信噪比的情况下,流型辨识准确率分别为100％、99.25％和98.12％,表明本文方法抗噪声干扰能力强,是一种有效、准确率较高的ECT流型辨识方法,为ECT流型辨识技术的研究提供了一种新的手段.     

变速器新产品故障特征提取与分类方法

针对汽车变速箱原始故障特征向量维数过高导致的检测效率低、准确率低的问题,提出一种基于阶次分析理论的特征提取方法和基于遗传算法—反向传播神经网络的特征选择与分类方法。首先运用阶次分析理论提取变速器的阶次域特征,与时域特征共同组成特征向量集;然后将类内类间距离比与惩罚系数之和作为目标函数值,利用遗传搜索策略对特征向量集进行特征选择,得到特征子集;最后用反向传播神经网络算法进行故障分类,得到检测结果,并通过实验验证了所提出方法的有效性。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。     

基于分段线性分类器的滚动轴承的故障识别

为了解决滚动轴承的特征提取和故障特征的模式分类问题,提出了一种应用小波包变换和线性分类器相结合的滚动轴承故障诊断的识别方法。根据轴承振动信号的频域变化特征,首先对滚动轴承振动信号进行三层小波包分解,提取第三层各个终节点系数的能量作为特征向量,然后将特征向量输入由线性判别式构成的分段线性分类器中进行故障的模式分类和识别,最后在滚动轴承试验台上实测故障。试验表明,分段线性分类器可以有效地识别轴承的故障模式。     

随机降维映射稀疏表示的电能质量扰动多分类研究

提出一种随机降维映射特征提取与稀疏表示分类相结合的电能质量扰动信号识别方法.首先将扰动信号测试样本表示为训练样本集的过完备字典稀疏线性组合,然后使用随机测量矩阵获取测试样本降维特征量和稀疏表示感知矩阵,应用最小L1范数解决方案求取扰动信号测试样本的稀疏解,由冗余误差最小值确定目标归属类,实现对电能质量扰动的稀疏表示多分类识别.研究表明随机矩阵降维映射特征提取不依赖于电能扰动样本特性,构造简单,运算快速,具有普适性;稀疏表示分类法与支持向量机相比无需组合多个二分类器来实现多分类器.仿真和实验结果表明该方法能有效提取各种电能扰动特征,抗噪声鲁棒性好,在信噪比20dB以上的噪声环境中电能质量扰动分类准确率达95%以上.     

基于时频联合特征提取与MS-LTSA流形学习的齿轮箱故障诊断

提出了基于时频联合（TFC）特征提取和改进的监督局部切空间排列（MS-LTSA）的流形学习的齿轮箱故障诊断的方法。首先,提出了信号的时域、频域和HHT时频域三者结合的特征提取方法,以获取振动信号全面的特征向量信息;然后,提取高维特征向量的奇异值,利用流形学习理论对奇异值矩阵进行降噪;最后,通过降噪后的特征向量实现对齿轮箱各种故障的高效、精确地故障识别。提出的MS-LTSA方法实现了数据集内部结构信息和类判别信息的结合,提高了所提取低维特征的聚类效果;通过实验数据的分析,证实了所提方法在齿轮箱诊断上的优异表现和应用价值。     

基于系统信息融合的滚动轴承故障模式识别

基于滚动轴承故障模式识别的随机性、灰色性和模糊性特征,从信息融合的角度出发,提出了一种融合框架.首先针对这三方面的信息分别从小波域、幅域和频域构造特征向量;然后借助于D-S证据理论,在基于概率统计的隐马尔科夫模型的诊断结果基础之上,进一步融合从系统灰色性和模糊性观点出发所得的诊断信息,从而实现滚动轴承故障模式的多角度信息融合识别;最后,利用该融合框架对实测滚动轴承故障数据进行了识别.结果表明,基于系统随机性、灰色性和模糊性信息融合的识别方法较基于系统单一性信息的识别方法能够进一步提高模式分类的正确率.     

滚动轴承故障程度诊断的HMM方法研究

为提高滚动轴承故障诊断率,提出基于时频域指标的HMM轴承故障程度诊断方法。利用轴承故障模拟试验台,采集不同剥落程度滚动体的振动信号,分别提取均方值、有效值、方差、修正样本方差、标准差、频域中心及带宽共7个时域和频域指标作为特征向量训练HMM,得到基于HMM的诊断分类器。利用该分类器对330组待检滚动轴承振动信号进行分析,诊断正确率达90%以上,说明该方法能有效提取故障特征。