基于小波包字典优化的旋转机械振动信号压缩感知重构方法

采用工业无线传感器网络的机械状态监测系统需要进行复杂的数据压缩和高精度的重构,而传感器网络节点资源受限,针对这一问题提出基于小波包字典优化的旋转机械振动信号压缩感知重构方法。该方法结合小波包多分辨率分析及K-SVD字典训练方法,提出了小波包字典优化方法代替传统的正交基字典稀疏表示方法,提高稀疏度。根据旋转机械振动信号自身特征,提出用块稀疏贝叶斯学习最大期望值算法,代替传统仅依赖于稀疏假设的算法实现信号重构。实际轴承振动信号仿真结果表明,该方法相对于传统的压缩感知方法重构性能明显提高。     

无线传感网络中大数据量压缩感知编解码算法

针对无线传感网络传输数据的冗余性问题,提出了一种逐级压缩感知编解码算法。该压缩算法将原始信号按照相同或不同字典的稀疏性进行信号逐级分解,并利用伯努利观察矩阵对分解后的信号进行压缩编码,在压缩过程中生成字典掩模。压缩后的信号和掩模回传至终端。终端根据编码信息、稀疏字典、字典掩模对数据进行逐级恢复。该数据压缩方法较传统的编码压缩技术具有更强的鲁棒性,对丢包不敏感;较原压缩感知算法,节省无线网络的传输带宽,提高数据信息获取的实时性。     

滚动轴承压缩故障信号的特征代理与凸优化重构算法EI北大核心CSCD

压缩采样可以有效缓解机械状态监测数据存储和传输的压力,但是压缩数据的感知重构一直是个难点。针对滚动轴承压缩信号的故障特征提取问题,提出一种基于特征代理与凸优化算法的故障信号重构方法。分析了滚动轴承局部故障信号的稀疏和卷积特性,学习得到故障冲击模式。对压缩得到的轴承观测信号,构造包含冲击时刻特征的代理,并对代理建立目标优化函数,采用快速迭代收缩阈值算法(Fast Iterative Shrinkage Threshold Algo⁃rithm,FISTA)直接从代理提取出稀疏系数,将学习模式与稀疏系数卷积重构出故障信号。与直接利用FISTA从压缩信号中提取冲击特征相比,所提方法在不降低求解精度的同时降低了计算复杂度。相比于常用的贪婪类重构算法,所提方法无需预先估计信号的稀疏度,且能得到全局最优解。通过滚动轴承仿真和实验信号进一步验证了所提方法的有效性。     

基于改进的稀疏度自适应振动数据修复方法

基于压缩感知的数据重构方法已用于解决信号采集中受损数据的修复问题,该算法首先需要已知数据稀疏度,而振动信号的稀疏度通常难以确定,增加了数据修复的难度;稀疏度自适应匹配追踪算法(SAMP)无需预估信号稀疏度,可用于受损数据修复,但SAMP算法的修复结果受终止条件影响较大,导致修复精度不高且效率较低;为此提出了基于终止准则改进的稀疏度自适应数据修复方法。基于振动信号波形特征和先验知识,选择适当的字典矩阵实现信号稀疏化;以单位矩阵为基础,根据数据的缺失模型构造观测矩阵;为了避免传统SAMP算法终止系数选取不当,导致支撑集引入错误原子的问题,采用改进的SAMP算法重构出完整信号,实现受损数据修复。通过仿真信号及轴承实测信号验证了方法有效性,且改进的SAMP算法在重构精度和运算效率上均有所提高;此外,改进的SAMP算法重构效果优于正交匹配追踪(OMP)与正则化正交匹配追踪(ROMP)。     

离散余弦小波包变换及语音信号压缩感知

针对语音信号压缩感知问题,在研究语音离散余弦变换(Discrete Cosine Transform,DCT)系数和小波包变换(Wavelet Packet Transform,WPT)特性的基础上构造了离散余弦小波包变换(Discrete Cosine Wavelet Packet Transform,DCWPT)。DCWPT首先获取语音信号的DCT域系数,结合语音频谱特性选取部分DCT系数进行WPT变换,从而得到比DCT系数更加稀疏的DCWPT系数。为将此变换直接用于压缩感知,构造了DCWPT的正交稀疏分解矩阵并分析了其稀疏表示性能。结合稀疏表示基优化了正交匹配追踪重构算法,提出了基于DCWPT的语音信号压缩感知框架。通过压缩重构对照实验,采用主客观评价指标,得出该方法优于传统基于DCT的语音压缩感知方法的结论。     

面向桥梁结构健康监测的压缩感知动力响应信号重构

为了解决桥梁结构健康监测中采集海量数据带来数据传输和存储成本大的问题,引入压缩感知理论,优化常规观测矩阵,以增加观测矩阵和稀疏基的不相关性,用少量的动力响应信号采样数据恢复较为准确的原始信号。用吉安大桥的现场环境振动试验数据验证了基于压缩感知的桥梁动力响应重构方法的可行性和有效性。研究结果包括：压缩感知重构信号在时域里与原始信号吻合良好,当压缩比在20%以上时,重构信号相对误差在10%以下,优化观测矩阵重构的信号精度高于初始观测矩阵重构的信号,尤其是在低压缩比情况下,有利于减少数据的采集量;观测矩阵优化后重构信号的频谱与原始信号的频谱更加吻合,频谱出现的几个峰值均能准确对应,相比之下,初始观测矩阵重构信号的频谱出现较多峰值的误判,且有些峰值未能识别;观测矩阵优化方法可以适用于随机高斯矩阵、伯努利矩阵和稀疏随机矩阵,具有较广泛的适用范围。研究结果表明基于压缩感知的桥梁结构动力响应信号重构方法是实现用少量采样数据恢复较为准确的原始信号的有效方法。     

基于改进频域压缩感知的轴承复合故障欠定盲提取

针对旋转机械复合故障频域盲提取算法的不足,为提高欠定盲提取分离结果精度,提出基于多尺寸多结构元素的闭-开组合形态滤波、遗传模拟退火聚类及频域压缩感知重构算法相结合的(C-OACMF-GASA-CS)故障特征欠定盲提取方法。利用形态滤波滤除背景噪声及提取冲击信号;利用遗传模拟退火算法估计混合矩阵;用估计矩阵重构传感矩阵,并用正交匹配追踪基频域压缩感知重构分离信号。实验仿真及双通道滚动轴承故障加速度振动信号分析结果表明,该方法能有效分离提取滚动轴承故障特征。     

基于Polar插值改进的结构振动信号压缩采样正交匹配追踪恢复算法

压缩感知是近年来出现的采样和信号处理方法,它利用了信号中普遍存在的稀疏特性,从而可以以远低于奈奎斯特频率的采样速率采集压缩样本,并依概率恢复得到真实信号。结构振动信号具有一定的稀疏性。对其进行压缩采样并进行信号重构,离散傅里叶原子的频率往往与信号实际频率不匹配,造成频率泄漏,降低信号重构精度。针对离散原子库存在的缺陷,采用Polar插值对正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法进行了改进。以OMP算法选择的最优原子为基础,利用Polar插值在最优原子临近构建频域连续原子库,构建了信号重构的优化模型,通过凸优化算法获得实际频率的最优估计。改进算法以较小的计算量实现对OMP算法得到的离散原子频率的修正。通过对结构振动的数值模拟和对模型试验压缩信号的重构,结果表明,与常规算法相比,改进算法可有效提高信号重构精度,特别是在压缩观测值数量较少的情况下,精度提升效果更加明显。     

基于稀疏编码的振动信号特征提取算法与实验研究

针对海量冗余数据中设备状态信息特征提取问题,借鉴生物感知系统"冗余度压缩"的信息处理原则,基于神经科学研究中的稀疏编码算法,提出了连续长时间采样时振动信号有效特征提取方法。介绍了稀疏编码算法及其模型,详细研究了稀疏编码的系数求解和字典学习两大问题。基于人工轴承故障数据集进行了实验研究,实验表明:基于稀疏编码的振动信号特征提取算法不仅能有效提取设备状态特征,而且稀疏特征具有良好的可分性。该方法可用于设备故障诊断,为基于状态的设备智能维护提供有效工具。     

基于优化分类的机械振动信号压缩感知

针对复杂机械振动信号压缩感知过程中存在的稀疏字典构造困难问题,提出了基于QPSO分类的自适应稀疏字典构造方法。该方法根据信号的分割尺度,将信号进行分块,并利用每一信号块的能量大小,构造能量序列,利用QPSO对能量序列进行优化分类,保证不同类别间能量序列的方差最大,从而实现对信号块的分类,采用K-SVD对不同类信号块分别进行稀疏字典的自适应学习训练,产生与信号相适应的稀疏字典,用于机械振动信号的压缩感知重构过程。通过滚动轴承实测信号在不同状态下的压缩感知实验表明:所提方法能够有效提高信号重构的峰值信号比,改善机械振动信号的重构效果。