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。     

分段正则化正交匹配追踪算法

为了使压缩感知重构算法在实际重构信号时不需要稀疏度先验信息,本文提出了分段正则化正交匹配追踪算法。该算法根据信号重构残差量设计阈值,构建候选集。通过正则化候选集提取出用于表示信号的原子,并将其存入支撑集;当候选集为空集时,选择相关系数最大的原子加入支撑集。最后,针对支撑集中的原子求解最小二乘问题实现信号的逼近和残差量的更新。实验结果表明:针对长度为256的高斯信号和二值信号,提出的算法在稀疏度分别达到50和40时,精确重构率可达90%以上;在信号稀疏度相同的条件下,重构效果和速度整体优于现有的同类算法,具有速度快、稳定性好的特点。     

一种稀疏度自适应广义正交匹配追踪算法

针对压缩感知(Compressive Sensing,CS)在信号重构时稀疏度往往未知,导致过估计及重构误差变大、复杂度高等问题,通过分析重构残差与支撑集原子数目之间的变化关系,提出一种稀疏度自适应广义正交匹配追踪算法,该算法无需原始信号稀疏度的先验知识。首先,算法采用分阶段变步长的方式扩充支撑集原子数,然后在迭代后期重构残差变化缓慢时改变原子搜索策略精确估计稀疏度,完成原始信号的重构。仿真实验将完成重构所需迭代的次数作为算法复杂度衡量标准,将重构精度、准确重构率及重构运行时间作为评判算法性能的指标。结果表明,该算法重构概率远高于传统的OMP、gOMP算法,重构图像视觉效果更佳,且运算时间低于同类盲稀疏度算法。     

机械振动信号分块自适应压缩感知算法

为提高振动信号分块压缩感知过程中的信号重构效果,提出了机械振动信号的自适应分块压缩感知算法。首先将信号分割,构造信号矩阵,并利用K-SVD构造与信号矩阵相适应的冗余字典;然后根据不同信号块在冗余字典下匹配追踪系数的衰减速度,定义不同信号块的复杂度权值;最后以复杂度权值为依据,制定自适应的压缩感知采样策略,在保证振动信号的整体采样率不变的同时,自适应分配不同信号块的观测数目。将该算法应用于机械振动信号压缩感知,与传统压缩感知算法以及其他自适应压缩感知算法相比,信号重构的精度得到提高。     

正则化自适应匹配追踪电能质量数据重构方法

为了有效改善传统方法应用在电能质量信号的采集和压缩方面所面临的资源浪费以及重构性能较差等问题,提出了一种基于正则化自适应匹配追踪的电能质量数据重构方法,此方法利用压缩感知理论,对电能质量信号进行采样和压缩并行处理。首先,对感知矩阵中的原子进行一次挑选并且计算相关系数,将挑选出的原子索引值存入至候选集中。然后,在电能质量信号稀疏度K不作为先验条件的前提下,对候选集中原子的数目进行自适应地调节,并运用正则化的处理过程完成支撑集的二次挑选,用步长逐步逼近信号的稀疏度进而准确重构出电能质量原始信号。仿真实验结果表明,信号的重构精度高于98.2%,并且能够保存原始电能质量信号大部分能量,重构信噪比高,均方误差小。     

压缩感知框架下的共振解调故障诊断方法

风力机滚动轴承早期故障诊断中,压缩感知算法能够利用信号的稀疏性对信号去噪,但稀疏度的选取对去噪结果影响较大。由于信号故障成分在傅里叶域的稀疏度 已知,故可通过傅里叶变换基和压缩感知子空间追踪（CS＿SP）算法对风力机信号的包络特征进行不完全重构,以降低噪声和其他无关信息的影响,获取直接反映故障特征的信号成分,从而提取故障特征频率。研究结果表明,压缩感知框架下的的共振解调技术能有效获取风力机滚动轴承的故障特征信息,验证了所提方法的有效性。     

时空稀疏贝叶斯的多通道降噪方法及在机械故障诊断中的应用

压缩感知利用与稀疏基相独立的观测矩阵将具有稀疏结构的高维度信号投影到低维子空间,对于信号的压缩和降噪有很好的效果,但是稀疏基以及稀疏系数矩阵的获得对于分析的结果有决定性的影响。稀疏贝叶斯学习(sparse bayesian learning,SBL)算法能极大地提高信号稀疏分解的精度,提出了一种改进的基于时空稀疏贝叶斯(SpatioTemporal Sparse Bayesian Learning,STSBL)的多通道信号降噪算法。首先给出了多通道压缩感知理论模型,然后通过自适应过完备字典求取信号的稀疏基矩阵,最后提出基于STSBL的多通道理论模型获取多通道稀疏系数矩阵,从而实现多通道机械故障信号的有效降噪以及特征成分的精确重构。分别通过数值仿真实验和实测风力发电机轴承内圈故障信号进行分析,结果表明提出的方法有很好的降噪效果,同时能成功地提取信号的故障特征信息。     

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。     

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。     

基于相关正交匹配追踪算法的风电机组滚动轴承稀疏故障诊断方法

针对风电机组滚动轴承故障信号的非平稳、强噪声污染等导致的有效冲击特征难以检测的问题,提出了一种基于相关正交匹配追踪（COMP）算法的稀疏故障诊断方法。基于COMP算法,在每次迭代后,首先根据内积大小依次计算原子与残差的相关系数,将相关系数最大的原子与其他符合条件的原子合并,将合并后的原子作为一个新原子;然后,利用这些新原子重新构成一个与信号相关度较强的新字典,对信号进行稀疏表示;最后,通过分析稀疏表示结果的包络谱实现滚动轴承故障的准确诊断。由于该方法重构的新原子与残差的相关性较强,因此只需较少的迭代次数就可得到较高的稀疏表示精度。仿真试验和工程应用验证了所提方法的有效性和实用性。     

基于参数优化MOMEDA与CEEMDAN的滚动轴承微弱故障特征提取研究

针对强背景噪声环境下滚动轴承故障特征信息微弱,单一利用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法提取效果不佳的问题,提出了基于参数优化的多点最优最小熵解卷积(Parametric Optimized Multipoint Optimal Minimum Entropy Deconvolution Adjusted,POMOMEDA)与CEEMDAN的滚动轴承微弱故障特征提取方法.由于MOMEDA的滤波效果受其中参数-故障周期T、滤波器长度L影响较大,提出采用变步长搜索法对其进行参数寻优.首先利用多点峭度和排列熵指标筛选MOMEDA中的故障周期T与滤波器长度L,对原始信号实现自适应MOMEDA降噪;然后采用CEEMDAN方法分解降噪信号,根据加权峭度(WK)指标选取包含故障信息丰富的固有模态分量(IMF)进行信号重构;最后对重构信号做包络谱分析,提取故障特征信息.通过仿真信号和实测信号分析表明,该方法能够有效提取滚动轴承微弱故障特征信息,具有一定的可靠性.     

基于自适应字典压缩感知的欠定工作模态参数识别

针对基于稀疏成分分析和正交基压缩感知的欠定工作模态参数识别方法准确率低、鲁棒性差的问题,提出一种基于自适应字典压缩感知的欠定工作模态参数识别方法。所提方法在模态振型估计的基础上利用自适应字典压缩感知重构模态坐标响应。在压缩感知框架下,首先,所提方法利用滤波分离的方法构造字典学习的训练样本;然后,使用基于K均值奇异值分解的字典学习方法和层次耦合字典训练策略生成自适应字典,实现了无监督的字典学习;最后,利用正交匹配追踪算法得到稀疏系数分量,进而恢复源信号重构模态坐标响应。在压缩感知框架下,所提方法利用K均值奇异值分解算法学习得到的自适应字典,对于信号的分解比傅里叶基或离散余弦基等正交基具有更强的稀疏表示能力。在5自由度的仿真数据集下的欠定工作模态参数识别的结果表明,所提方法比稀疏成分分析、正交基压缩感知等方法具有更好的识别精度和鲁棒性。     

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。     

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。     

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。     

基于自学习字典的盲提取方法在滚动轴承多故障诊断中的应用

当齿轮箱中的多个轴承同时发生故障时,由于各故障源之间的相互耦合效应,常规盲提取方法难以对其进行有效特征提取。为解决上述问题,提出一种基于稀疏表征自学习字典理论的盲提取方法。首先,将稀疏表征自学习字典方法用于滚动轴承多故障信号分析,得到一系列自学习字典集;然后,利用学习到的字典集重构滚动轴承多故障信号以消除噪声及干扰信号;最后,将盲提取方法用于重构后的滚动轴承复合故障信号,抽取出滚动轴承各单一故障信号,再逐一对单一故障信号进行包络解调分析,以获取相应的故障特征。通过实验,对所述方法的可行性及有效性进行了验证。     

基于同步压缩小波变换的滚动轴承故障诊断

针对滚动轴承故障诊断中存在的非平稳故障信号的特征提取困难这一难题,提出利用同步压缩小波变换(SWT)对故障信号的监测数据进行处理的方法。首先对信号进行连续小波变换(CWT),其次对小波变换系数进行同步压缩变换(SST),然后对SST系数进行自适应阈值去噪,之后在有效信号数据的频率中心附近进行积分提取,最后用提取到的有效信号进行重构。对实测的滚动轴承故障信号进行处理验证,结果表明,SWT具有较高的信号提取精度以及降噪能力,同时具有较高的时频分辨率,能够将故障信号转换为高分辨率的时频谱,弥补了CWT在这方面的不足。