CN106502850B - 一种稀疏紧框架字典学习模型的多故障辨识方法与装置 - Google Patents
一种稀疏紧框架字典学习模型的多故障辨识方法与装置 Download PDFInfo
- Publication number
- CN106502850B CN106502850B CN201610948650.8A CN201610948650A CN106502850B CN 106502850 B CN106502850 B CN 106502850B CN 201610948650 A CN201610948650 A CN 201610948650A CN 106502850 B CN106502850 B CN 106502850B
- Authority
- CN
- China
- Prior art keywords
- signal
- tight frame
- fault
- unit
- sparse representation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012850 discrimination method Methods 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 52
- 230000009467 reduction Effects 0.000 claims description 45
- 238000000354 decomposition reaction Methods 0.000 claims description 34
- 230000035945 sensitivity Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 20
- 125000004122 cyclic group Chemical group 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 229940050561 matrix product Drugs 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 5
- 239000008358 core component Substances 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 11
- 239000000306 component Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2257—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using expert systems
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本公开涉及一种稀疏紧框架字典学习模型的多故障辨识方法与装置。所述方法在传统稀疏字典学习的过程中加入紧框架约束，将不同结构化的故障特征信息自适应地分解到一系列子空间中，并利用分析稀疏追踪算法消除大部分的高斯白噪声，然后利用故障动力学的物理先验，研究并设计出一组故障敏感性指标集，并通过最优子空间匹配技术实现复合故障信号的解耦，最后通过谱分析方法，识别复合故障模式。所述方法及装置方便且有效地实现多源特征子空间的解耦、以及多故障模式的辨识，对机械系统的核心组件维护和检修计划的安排调整给出指导性建议。
Description
技术领域
本公开涉及故障诊断方法技术领域，具体地讲，涉及一种稀疏紧框架字典学习模型的多故障辨识方法与装置。
背景技术
机械系统健康监测与评估对于降低其维修成本，避免灾难性事故的发生具有重要意义。基于振动信号的健康监测的核心在于快速精准地辨识出信号中故障特征。然而，由于机械系统的结构的复杂性，零部件的多样性，使得长期工作于恶劣环境的零部件，如轴承，齿轮等，不可避免地发生局部损伤，同时单一故障的发生和演化过程会导致其它部件的性能随之产生衰退，从而产生故障的链式反应。因此，传感器采集的振动信号往往包含多特征信息的耦合和强大的噪声干扰。如果在消除噪声的同时，有效地辨识多源微弱故障，是机械系统健康监测的基础支撑技术之一。
基于变换域的方法通过将信号变换到另外一个空间，通过提升故障特征在该空间的能量聚集性，从而有效辨识微弱的故障特征。目前这类方法主要有4类：频域分析法，时频域分析法，小波分析以及稀疏分解。其中前三类方法由于变换基函数固定，灵活性差，因此只对特定的信号具有稀疏表示能力。稀疏分解方法可以根据故障特征的物理先验灵活设计基函数，因此可以匹配多样化的故障特征，为多故障特征解耦提供了理论基础。
稀疏分解的核心在于稀疏表示字典的构造，目前，稀疏表示字典的构造方法可以归纳为如下三类：基于数学模型的稀疏表示字典，基于故障动力学模型的稀疏表示字典以及数据驱动的稀疏表示字典。其中，数据驱动的稀疏表示字典，即字典学习的方法，可以从观测数据中直接学习出能对特征信息具有稀疏化能力的基原子，然而其计算复杂度高且存在病态问题，使得该方法在工程应用中受到了极大的限制。
发明内容
为解决上述问题，一方面本公开提出一种稀疏紧框架字典学习模型的多故障辨识方法，该方法在数据驱动的稀疏表示字典的基础上，引入了紧框架约束，不仅有效降低了计算复杂度，还克服了特征辨识的病态问题。
一种稀疏紧框架字典学习模型的多故障辨识方法，其特征在于，所述方法包括下述步骤：
S100、获取待识别信号在紧框架字典学习模型下的一组紧框架滤波器；
S200、利用所述紧框架滤波器获取待识别信号的降噪信号；
S300、将所述降噪信号分解到每个紧框架滤波器所在的信号空间中，得到分解信号；
S400、对每个分解信号，计算该信号的各类故障敏感性指标值；
S500、将每类故障敏感性指标值中的最大值所对应的分解信号所在的子空间，作为潜在故障信号子空间，利用紧框架滤波器的重构算子对潜在故障信号子空间进行解耦后得到解耦信号；
S600、辨识所述解耦信号所属故障类别；
所述紧框架字典学习模型为具有紧框架约束的字典学习模型；
所述故障敏感性指标为包络谱中每类故障的故障特征频率的前三阶倍频的能量占包络谱信号总能量的百分比。
另一方面，根据所述方法，本公开还提供了一种基于紧框架字典学习模型的多故障辨识装置，所述装置包括下述模块：
滤波器模块、降噪模块、分解模块、指标计算模块、解耦模块以及辨识模块，其中：
所述滤波器模块，被配置用于：获取待识别信号在紧框架字典学习模型下的一组紧框架滤波器；
所述降噪模块，被配置用于：利用所述紧框架滤波器获取待识别信号的降噪信号；
所述分解模块，被配置用于：将所述降噪信号分解到每个紧框架滤波器所在的信号空间中，得到分解信号；
所述指标计算模块，被配置用于：对每个分解信号，计算该信号的各类故障敏感性指标值；
所述解耦模块，被配置用于：将每类故障敏感性指标值中的最大值所对应的分解信号，作为潜在故障信号，利用紧框架滤波器的重构算子对潜在故障信号进行解耦后得到解耦信号；
所述辨识模块，被配置用于：辨识所述解耦信号所属故障类别。
与现有技术相比，由于本公开方法引入紧框架约束，使得本公开方法中的字典具有了下述紧框架的优良性质：
(1)由于紧框架滤波器可以通过卷积运算实现信号分解，大大降低了计算复杂度，即数据驱动的稀疏表示字典方法的计算复杂度为O(SMN2)，加入紧框架约束后降低为O(rllog(l))；其中，S为信号的块数，M为字典原子的维数，r为紧框架滤波器的个数，l为原始信号的长度；
(2)由于紧框架字典具有完备性，将待识别信号分解到多个信号子空间中，有效保留了待识别信号中的所有特征，避免微弱故障特征的漏检。
由于本公开方法中的字典具有上述优良性质，使得本公开方法避免了计算时的病态问题。
同时，在重构解耦信号时，直接通过计算故障敏感性指标值就可以判断出潜在故障信号，不需要人为的对每个分解信号进行分析筛选，使得故障辨识简单有效，对机械系统的核心组件维护和检修计划的安排调整给出指导性建议。
本公开装置根据所述方法实现，同样具有上述有益效果。
附图说明
图1是本公开一个实施例中关于方法流程图的一种示意图；
图2是本公开一个实施例中关于待识别信号时域波形图的示意图；
图3是本公开一个实施例中关于待识别信号频谱图的示意图；
图4是本公开一个实施例中关于待识别信号包络谱图的示意图；
图5是本公开一个实施例中关于轴承外圈故障最优子空间信号的包络谱示意图；
图6是本公开一个实施例中关于轴承内圈故障最优子空间信号的包络谱示意图；
图7是本公开一个实施例中关于轴承滚动体故障最优子空间信号的包络谱示意图；
图8是本公开一个实施例中关于轴承保持架故障最优子空间信号的包络谱示意图。
具体实施方式
在一个基础实施例中，提供了一种基于紧框架字典学习模型的多故障辨识方法，所述方法包括下述步骤：
S100、获取待识别信号在紧框架字典学习模型下的一组紧框架滤波器；
S200、利用所述紧框架滤波器获取待识别信号的降噪信号；
S300、将所述降噪信号分解到每个紧框架滤波器所在的信号空间中，得到分解信号；
S400、对每个分解信号，计算该信号的各类故障敏感性指标值；
S500、将每类故障敏感性指标值中的最大值所对应的分解信号所在的子空间，作为潜在故障信号子空间，利用紧框架滤波器的重构算子对潜在故障信号子空间进行解耦后得到解耦信号；
S600、辨识所述解耦信号所属故障类别；
所述紧框架字典学习模型为具有紧框架约束的字典学习模型；
所述故障敏感性指标为包络谱中每类故障的故障特征频率的前三阶倍频的能量占包络谱信号总能量的百分比。
在本实施例中，由于紧框架滤波器可以通过卷积运算实现信号分解，大大降低了计算复杂度，即数据驱动的稀疏表示字典方法的计算复杂度为O(SMN2)，加入紧框架约束后降低为O(rllog(l))；其中，S为信号的块数，M为字典原子的维数，r为紧框架滤波器的个数，l为原始信号的长度。由于紧框架字典具有完备性，将待识别信号分解到多个信号子空间中，可以有效保留了待识别信号中的所有特征，避免微弱故障特征的漏检。由于上述优良性质，避免了计算时的病态问题。
同时，在重构解耦信号时，由于可以直接通过计算故障敏感性指标值就可以判断出潜在故障信号，不需要人为的对每个分解信号进行分析筛选，使得故障辨识简单有效，对机械系统的核心组件维护和检修计划的安排调整给出指导性建议。
优选地，给出了所述紧框架字典学习模型的表达式，具体如下：
表达式：
约束条件：ΩTΩ＝I
式中：
y为待识别信号；
Ω为紧框架字典；
为卷积运算符号；
为构成紧框架字典的一组滤波器；
Si为第i个滤波器；
r为滤波器个数，且r不小于故障类别数目；
α为振动信号y在字典Ω下的稀疏表示系数；
λ1为正则化参数。
所述紧框架字典学习模型的设计依据机械系统的运行工况和可能的故障模式，确定紧框架滤波器的子空间个数。
优选地，所述步骤S100进一步包括下述步骤：
S101：将待识别信号记作y，对待识别信号y进行分块截取，每N个点组成一个数据样本，将每一个样本作为一个列向量，构成信号矩阵，将所述信号矩阵记作Y；
S102、将循环变量记作j，设置循环变量j的初始值以及最大值，将所述最大值记作L；
S103、使用表示紧框架滤波器组，用该紧框架滤波器组中的每一个紧框架滤波器对信号矩阵进行滤波，得到稀疏表示系数矩阵，将该稀疏表示系数矩阵记作A(j)；
若j为初始值，所述紧框架滤波器组的初始值为从所述信号矩阵中随机选择的r个样本的值；
否则，所述紧框架滤波器组的值为步骤S106计算得到的紧框架字典的值；
S104、用邻近点优化算法对A(j)做阈值收缩处理，得到
S105、判断循环变量j是否大于设定的最大值L；若循环变量j大于最大值L，将Ω(L)作为待测信号的紧框架字典，在该字典下的紧框架滤波器作为待测信号的紧框架滤波器，然后退出；
否则，对矩阵乘积进行SVD分解：
S106、利用步骤S105中得到的矩阵Q和U计算紧框架字典Ω(j)：
S107、将循环变量j增加1后，返回步骤S103。
上述步骤通过对待识别信号迭代实施邻近点优化算法和奇异值分解算法，可以得到构成紧框架字典的一组紧框架滤波器。S102中的最大值L可以根据设备计算能力以及计算精度确定，通常设定为50次。
优选地，所述降噪信号的获取包括下述步骤：
S201、采用稀疏编码优化算法获取待识别信号在所述紧框架滤波器下的稀疏表示系数；
S202、通过阈值收缩技术对步骤S201中的稀疏表示系数，进而消除所述待识别信号的白噪声得到降噪信号。
根据依据稀疏优化理论，构造基于分析先验的稀疏编码优化模型：
约束条件：
式中：α为待测信号y在紧框架稀疏字典Ω(L)下的稀疏表示系数，利用阈值参数λ2(0＜λ2＜1)的邻近点算子求解式(2)，可实现对待测信号y的降噪，得到降噪的信号x为迭代过程中的变量，其最后一次迭代得到的值即为
优选地，所述步骤S300进一步包括下述步骤：
S301、获取降噪信号在所述紧框架滤波器下的稀疏表示系数；
S302、获取所述紧框架滤波器的逆滤波器；
S303、利用步骤S301中的稀疏表示系数和步骤S302中的逆滤波器，将所述降噪信号分解到所述紧框架滤波器所在的信号子空间。
优选地，所述步骤600进一步包括下述步骤：
S601、对各个解耦信号进行Hilbert包络谱分析，得到幅值-频率曲线；
S602、对每个幅值-频率曲线，搜索除转频之外的最大的峰值频率；
S603、若判定所述峰值频率与故障特征频率在设定的分辨率误差范围内，则表示该故障特征频率所对应的零部件发生了故障，从而实现了故障的辨识。
通过设计物理先验驱动的故障敏感性指标集，可以有效实现多故障特征的解耦。若根据机械系统的运行工况和可能的故障模式，确定的故障种类数目有C种，则需构造与C种潜在故障相匹配的故障敏感性指标，将故障敏感性指标记作SIk，k＝1，2，…，C。比如确定轴承的故障种类有4种，分别为滚动体故障、保持架故障、内圈故障、外圈局部故障。
所述故障敏感性指标为包络谱中故障特征频率的前三阶倍频的能量占包络谱信号总能量的百分比。若紧框架滤波器所在的子空间个数为r个，当k＝1时，对第p个分解信号计算该分解信号的SI1，p值，p＝1，2，…，r。其中，p所对应的子空间即为第1类故障所在的最优故障特征子空间。以此类推，分别获得第q类故障所在的最优故障特征子空间，q＝2，3，…，C。
由于解耦信号通过下述步骤获得：将每类故障敏感性指标值中的最大值所对应的分解信号所在的子空间，作为潜在故障信号子空间，利用紧框架滤波器的重构算子对潜在故障信号子空间进行解耦后得到解耦信号。因此，所述解耦信号的数目与故障的种类相同。若故障的种类为C种，那么在对各个解耦信号进行包络谱分析时，得到的最大的峰值频率有C个，记作i＝1，2，…C。若所述最大的峰值频率与故障特征频率fi，i＝1，2，…C在分辨率误差容许范围内，则表示相应的零部件发生了故障，实现了C类复合故障的辨识。
下面实施例结合附图对本公开方法进行阐述。
图1示意了将所述方法应用于SQI电机轴承多故障辨识的流程图。该电机的轴承预置有内圈和外圈的局部故障。如图所示：
S000、利用加速度振动传感器对轴承座信号进行测量，采集的振动信号y64000×1作为待识别信号。
如图2、3、4所示，分别为待识别信号y64000×1的时域波形图、频谱分析图以及包络谱分析谱图。从图4中可以看出，原始信号的包络谱中主要的频谱成分为转频及其倍频。同时只能辨识出外圈故障和内圈故障的一倍频成分。将采集到的加速度振动信号，按照如下步骤进行操作：
S100、获取待识别信号y64000×1在紧框架字典学习模型下的一组紧框架滤波器。
对输入信号迭代实施邻近点优化算法和奇异值分解算法，可以学习出构成紧框架字典的一组紧框架滤波器，具体学习步骤如下：
S101、对采集振动信号y64000×1进行分块，每32个点组成一个数据样本，将每一个样本作为一个列向量，构成字典学习的输入信号矩阵Y32×2909；
S102、设置循环变量j的初始值为1，循环变量的最大值L＝50；
S103、使用表示紧框架滤波器组，用该紧框架滤波器组中的每一个紧框架滤波器对信号矩阵Y32×2909进行滤波，滤波时使用的正则化参数λ1＝0.3，滤波后得到稀疏表示系数矩阵，将该稀疏表示系数矩阵记作A(j)；
若j为初始值1，所述紧框架滤波器组的初始值为从所述信号矩阵中随机选择的r个样本的值；其中，紧框架字典Ω(0)是一个32×32的矩阵，每个紧框架滤波器是一个32×1的列向量；
否则，所述紧框架滤波器组的值为步骤S106计算得到的紧框架字典的值；
S104、用邻近点优化算法对A(j)做阈值收缩处理，得到
S105、判断循环变量j是否大于设定的最大值L；若循环变量j大于最大值L，则学习好的紧框架滤波器组学习好的字典则退出；
否则，对矩阵乘积进行SVD分解：
S106、利用步骤S105中得到的矩阵Q和U计算紧框架字典Ω(j)：
S107、将循环变量j增加1后，返回步骤S103。
S200、利用所述紧框架滤波器获取待识别信号的降噪信号，具体实现如下：
依据稀疏优化理论，构造基于分析先验的稀疏编码优化模型：
约束条件：
式中：α6400×32为待测信号y6400×1在紧框架稀疏字典Ω(50)下的稀疏表示系数，利用阈值参数λ2的邻近点算子求解构造的基于分析先验的稀疏编码优化模型，可实现对待测信号y6400×1的降噪，得到降噪的信号在这里，λ2＝0.4。x6400×1为迭代过程中的变量，其最后一次迭代得到的值即为
S300、将所述降噪信号分解到每个紧框架滤波器所在的信号空间中，得到分解信号。
S301、利用学习好的紧框架滤波器组对降噪信号进行分解，得到32个信号子空间的稀疏表示系数：
S302、获取紧框架滤波器组的逆滤波器
S303、利用步骤S301中的稀疏表示系数和步骤S302中的逆滤波器，将所述降噪信号分解到所述紧框架滤波器所在的信号子空间。通过下式，可以将所述降噪信号分解到所述紧框架滤波器所在的信号子空间，得到分解信号zi：
S400、对每个分解信号，计算该信号的各类故障敏感性指标值。
事先构造与4类轴承潜在故障相匹配的故障敏感性指标SIi，i＝1，2，…4，分别为包络谱中4类故障特征频率的前三阶倍频的能量占包络谱信号总能量的百分比。
S500、将每类故障敏感性指标值中的最大值所对应的分解信号所对应的子空间，作为潜在故障信号子空间，利用紧框架滤波器的重构算子对潜在故障信号进行解耦后得到解耦信号。
以SIi最大为优化指标，分别计算r(r≥C)个子空间信号的包络谱的SIi值，最大SIi值所对应的子空间即为第i类故障所在的最优故障特征子空间。令i＝1，2，3，4，依次优选出4类故障各自所在的最优故障特征子空间i＝1，2，3，4。
重构出4个故障特征子空间的时域信号i＝1，2，3，4，从而实现4类故障信号的解耦，得到4类解耦信号。
S600、辨识所述解耦信号所属故障类别。
对重构出的4个特征子空间信号进行包络解调分析，分别如图5，6，7，8所示。其中图5为外圈故障特征的最优子空间信号的包络谱，可以清晰辨识出外圈故障特征频率的1倍频(BPFO)，2倍频(BPFOx2)以及3倍频(BPFOx3)成分，且除了转频外最大频率成分外圈故障特征频率的1倍频(BPFO)，由此验证了电机轴承的外圈故障；图6为内圈故障特征的最优子空间信号的包络谱，可以清晰辨识出内圈故障特征频率的1倍频(BPFI)，2倍频(BPFIx2)以及3倍频(BPFIx3)成分，同时各阶内圈故障特征频率都存在转频为间隔的边频带，且最大频率成分为BPFI，由此验证了电机轴承的内圈故障；图7为轴承滚动体故障特征的最优子空间信号的包络谱，然而，滚动体故障特征频率的各阶次成分都极为微弱，除了转频外最大频率成分与轴承故障特征频率不相关，说明滚动体并未发生故障；图8为保持架故障特征的最优子空间信号的包络谱，除了转频外最大频率成分为保持架特征频率的2倍频成分。预示保持架存在早期微弱故障。
在整个计算过程中，本公开方法对采集的振动信号y6400×1进行分析，从该振动信号中学习出32个紧框架滤波器，每个滤波器的长度为32，迭代50次用时0.1022s。对相同振动信号y6400×1，使用传统字典学习方法(KSVD)，学习出相同大小的字典，迭代50次用时192.8760s。由此可以看出，本公开方法可以大大降低传统字典学习算法的复杂度，满足工程分析的时效性需求。
在一个实施例中，本公开还提供了一种基于紧框架字典学习模型的多故障辨识装置，所述装置包括下述模块：
滤波器模块、降噪模块、分解模块、指标计算模块、解耦模块以及辨识模块，其中：
所述滤波器模块，被配置用于：获取待识别信号在紧框架字典学习模型下的一组紧框架滤波器；
所述降噪模块，被配置用于：利用所述紧框架滤波器获取待识别信号的降噪信号；
所述分解模块，被配置用于：将所述降噪信号分解到每个紧框架滤波器所在的信号空间中，得到分解信号；
所述指标计算模块，被配置用于：对每个分解信号，计算该信号的各类故障敏感性指标值；
所述解耦模块，被配置用于：将每类故障敏感性指标值中的最大值所对应的分解信号所对应的子空间，作为潜在故障信号子空间，利用紧框架滤波器的重构算子对潜在故障信号进行解耦后得到解耦信号；
所述辨识模块，被配置用于：辨识所述解耦信号所属故障类别。
优选地，所述滤波器模块中的紧框架字典学习模型的表达式，采用下式：
表达式：
约束条件：ΩTΩ＝I
式中：
y为待识别信号；
Ω为紧框架字典；
为卷积运算符号；
为构成紧框架字典的一组滤波器；
Si为第i个滤波器；
r为滤波器个数，且r不小于故障类别数目；
α为振动信号y在字典Ω下的稀疏表示系数；
λ为正则化参数。
优选的，所述滤波器模块包括下述单元：
信号矩阵构成单元、设置单元、滤波单元、稀疏表示系数矩阵单元、退出单元、SVD分解单元、紧框架字典计算单元、循环变量处理单元，其中：
所述信号矩阵构成单元，被配置用于：输入待识别信号，输出信号矩阵；
所述设置单元，被配置用于：设置循环变量的初始值，以及设定循环变量的最大值，将初始值输出给所述滤波单元，将最大值输出给所述退出单元；
所述滤波单元，被配置用于：接收循环变量，根据所述循环变量的值选择紧框架滤波器对所述信号矩阵进行滤波，输出稀疏表示矩阵和循环变量；
若所述循环变量的值为初始值，则所述紧框架滤波器的初始值为所述信号矩阵中随机选择若干样本的值，所述样本的个数和所述紧框架滤波器的个数相同；
否则，所述紧框架滤波器组的值为所述紧框架字典计算单元计算得到的紧框架字典下的值；
所述稀疏表示系数矩阵单元，被配置用于：输入稀疏表示矩阵，利用邻近点优化算法对所述稀疏表示矩阵做阈值处理，输出经过处理的稀疏表示矩阵；
所述退出单元，被配置用于：接收循环变量和所述最大值；若循环变量大于最大值，则退出；否则，转向所述SVD分解单元；
所述SVD分解单元，被配置用于：对所述信号矩阵与所述稀疏表示系数矩阵单元输出的稀疏表示系数矩阵的乘积进行SVD分解；若所述信号矩阵记作Y，所述稀疏表示系数矩阵单元输出的稀疏表示系数矩阵记作则有将分解后的矩阵Q和U输出；
所述紧框架字典计算单元，被配置用于：利用所述退出单元得到的矩阵Q和U根据下式计算紧框架字典Ω(j)：
所述循环变量处理单元，被配置用于：使循环变量j增加1，并将循环变量的值输出给所述滤波单元。
优选地，所述降噪模块包括下述单元：
稀疏编码优化单元、白噪声消除单元，其中：
所述稀疏编码优化单元，被配置用于：采用稀疏编码优化算法获取待识别信号在所述紧框架滤波器下的稀疏表示系数；
所述白噪声消除单元，被配置用于：通过阈值收缩技术对所述稀疏编码优化单元得到的稀疏表示系数，进而消除所述待识别信号的白噪声得到降噪信号。
优选地，所述分解模块包括下述单元：
降噪信号稀疏表示系数获取单元、逆滤波器单元，其中：
所述降噪信号稀疏表示系数获取单元，被配置用于：输入降噪信号，输出降噪信号的稀疏表示系数；
所述逆滤波器单元为紧框架滤波器的逆滤波器，输入降噪信号的稀疏表示系数，经逆滤波器处理后被分解到所述紧框架滤波器所在的信号子空间中，并输出各分解信号。
优选地，所述解耦模块包括下述单元：
包络谱分析单元，判断单元，其中：
所述包络谱分析单元，被配置用于：输入各个解耦信号，输出各个解耦信号除转频之外的最大的峰值频率；
所述判断单元，被配置用于：输入所述包络谱分析单元输出的峰值频率，结合已有的故障特征频率和设定的分辨率误差，判断并输出发生故障的零部件。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本公开方法及装置可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本公开而言更多情况下，软件程序实现是更佳的实施方式。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘，U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述的方法。
以上对本公开进行了详细介绍，本文中应用了具体个例对本公开的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本公开的方法及其核心思想；同时，对于本领域技术人员，依据本公开的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本公开的限制。
Claims (9)
1.一种稀疏紧框架字典学习模型的多故障辨识方法，其特征在于，所述方法包括下述步骤：
S100、获取待识别信号在紧框架字典学习模型下的一组紧框架滤波器；
S200、利用所述紧框架滤波器获取待识别信号的降噪信号；
S300、将所述降噪信号分解到每个紧框架滤波器所在的信号空间中，得到分解信号；
S400、对每个分解信号，计算该信号的各类故障敏感性指标值；
S500、将每类故障敏感性指标值中的最大值所对应的分解信号所在的子空间，作为潜在故障信号子空间，利用紧框架滤波器的重构算子对潜在故障信号子空间进行解耦后得到解耦信号；
S600、辨识所述解耦信号所属故障类别；
所述紧框架字典学习模型为具有紧框架约束的字典学习模型；
所述故障敏感性指标为包络谱中每类故障的故障特征频率的前三阶倍频的能量占包络谱信号总能量的百分比；
所述紧框架字典学习模型的表达式如下：
约束条件：ΩTΩ＝I
式中：
y为待识别信号；
Ω为紧框架字典；
为卷积运算符号；
为构成紧框架字典的一组滤波器；
Si为第i个滤波器；
r为滤波器个数，且r不小于故障类别数目；
α为振动信号y在字典Ω下的稀疏表示系数；
λ1为正则化参数。
2.根据权利要求1所述的方法，其特征在于，所述步骤S100进一步包括下述步骤：
S101：将待识别信号记作y，对待识别信号y进行分块截取，每N个点组成一个数据样本，将每一个样本作为一个列向量，构成信号矩阵，将所述信号矩阵记作Y；
S102、将循环变量记作j，设置循环变量j的初始值以及最大值，将所述最大值记作L；
S103、使用表示紧框架滤波器组，用该紧框架滤波器组中的每一个紧框架滤波器对信号矩阵进行滤波，得到稀疏表示系数矩阵，将该稀疏表示系数矩阵记作A(j)；
若j为初始值，所述紧框架滤波器组的初始值为从所述信号矩阵中随机选择的r个样本的值，r为滤波器个数；
否则，所述紧框架滤波器组的值为步骤S106计算得到的紧框架字典的值；
S104、用邻近点优化算法对A(j)做阈值收缩处理，得到
S105、判断循环变量j是否大于设定的最大值L；若循环变量j大于最大值L，则退出；
否则，对矩阵乘积进行SVD分解：
S106、利用步骤S105中得到的矩阵Q和U计算紧框架字典Ω(j)：
S107、将循环变量j增加1后，返回步骤S103。
3.根据权利要求1所述的方法，其特征在于，所述降噪信号的获取包括下述步骤：
S201、采用稀疏编码优化算法获取待识别信号在所述紧框架滤波器下的稀疏表示系数；
S202、通过阈值收缩技术对步骤S201中的稀疏表示系数，进而消除所述待识别信号的白噪声得到降噪信号。
4.根据权利要求1所述的方法，其特征在于，所述步骤S300进一步包括下述步骤：
S301、获取降噪信号在所述紧框架滤波器下的稀疏表示系数；
S302、获取所述紧框架滤波器的逆滤波器；
S303、利用步骤S301中的稀疏表示系数和步骤S302中的逆滤波器，将所述降噪信号分解到所述紧框架滤波器所在的信号子空间。
5.根据权利要求1所述的方法，其特征在于，所述步骤600进一步包括下述步骤：
S601、对各个解耦信号进行Hilbert包络谱分析，得到幅值-频率曲线；
S602、对每个幅值-频率曲线，搜索除转频之外的最大的峰值频率；
S603、若判定所述峰值频率与故障特征频率在设定的分辨率误差范围内，则表示该故障特征频率所对应的零部件发生了故障，从而实现了故障的辨识。
6.一种稀疏紧框架字典学习模型的多故障辨识装置，其特征在于，所述装置包括下述模块：
滤波器模块、降噪模块、分解模块、指标计算模块、解耦模块以及辨识模块，其中：
所述滤波器模块，被配置用于：获取待识别信号在紧框架字典学习模型下的一组紧框架滤波器；
所述降噪模块，被配置用于：利用所述紧框架滤波器获取待识别信号的降噪信号；
所述分解模块，被配置用于：将所述降噪信号分解到每个紧框架滤波器所在的信号空间中，得到分解信号；
所述指标计算模块，被配置用于：对每个分解信号，计算该信号的各类故障敏感性指标值；
所述解耦模块，被配置用于：将每类故障敏感性指标值中的最大值所对应的分解信号所在的子空间，作为潜在故障信号子空间，利用紧框架滤波器的重构算子对潜在故障信号子空间进行解耦后得到解耦信号；
所述辨识模块，被配置用于：辨识所述解耦信号所属故障类别；
所述紧框架字典学习模型的表达式如下：
约束条件：ΩTΩ＝I
式中：
y为待识别信号；
Ω为紧框架字典；
为卷积运算符号；
为构成紧框架字典的一组滤波器；
Si为第i个滤波器；
r为滤波器个数，且r不小于故障类别数目；
α为振动信号y在字典Ω下的稀疏表示系数；
λ1为正则化参数。
7.根据权利要求6所述的装置，其特征在于，所述滤波器模块包括下述单元：
信号矩阵构成单元、设置单元、滤波单元、稀疏表示系数矩阵单元、退出单元、SVD分解单元、紧框架字典计算单元、循环变量处理单元，其中：
所述信号矩阵构成单元，被配置用于：输入待识别信号，输出信号矩阵；
所述设置单元，被配置用于：设置循环变量的初始值，以及设定循环变量的最大值，将初始值输出给所述滤波单元，将最大值输出给所述退出单元；
所述滤波单元，被配置用于：接收循环变量，根据所述循环变量的值选择紧框架滤波器对所述信号矩阵进行滤波，输出稀疏表示矩阵和循环变量；
若所述循环变量的值为初始值，则所述紧框架滤波器的初始值为所述信号矩阵中随机选择若干样本的值，所述样本的个数和所述紧框架滤波器的个数相同；
否则，所述紧框架滤波器组的值为所述紧框架字典计算单元计算得到的紧框架字典下的值；
所述稀疏表示系数矩阵单元，被配置用于：输入稀疏表示矩阵，利用邻近点优化算法对所述稀疏表示矩阵做阈值处理，输出经过处理的稀疏表示矩阵；
所述退出单元，被配置用于：接收循环变量和所述最大值；若循环变量大于最大值，则退出；否则，转向所述SVD分解单元；
所述SVD分解单元，被配置用于：对所述信号矩阵与所述稀疏表示系数矩阵单元输出的稀疏表示系数矩阵的乘积进行SVD分解；若所述信号矩阵记作Y，所述稀疏表示系数矩阵单元输出的稀疏表示系数矩阵记作则有将分解后的矩阵Q和U输出；
所述紧框架字典计算单元，被配置用于：利用所述退出单元得到的矩阵Q和U根据下式计算紧框架字典Ω(j)：
所述循环变量处理单元，被配置用于：使循环变量j增加1，并将循环变量的值输出给所述滤波单元。
8.根据权利要求6所述的装置，其特征在于，所述分解模块包括下述单元：
降噪信号稀疏表示系数获取单元、逆滤波器单元，其中：
所述降噪信号稀疏表示系数获取单元，被配置用于：输入降噪信号，输出降噪信号的稀疏表示系数；
所述逆滤波器单元为紧框架滤波器的逆滤波器，输入降噪信号的稀疏表示系数，经逆滤波器处理后被分解到所述紧框架滤波器所在的信号子空间中，并输出各分解信号。
9.根据权利要求6所述的装置，其特征在于，所述解耦模块包括下述单元：
包络谱分析单元，判断单元，其中：
所述包络谱分析单元，被配置用于：输入各个解耦信号，输出各个解耦信号除转频之外的最大的峰值频率；
所述判断单元，被配置用于：输入所述包络谱分析单元输出的峰值频率，结合已有的故障特征频率和设定的分辨率误差，判断并输出发生故障的零部件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610948650.8A CN106502850B (zh) | 2016-11-02 | 2016-11-02 | 一种稀疏紧框架字典学习模型的多故障辨识方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610948650.8A CN106502850B (zh) | 2016-11-02 | 2016-11-02 | 一种稀疏紧框架字典学习模型的多故障辨识方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106502850A CN106502850A (zh) | 2017-03-15 |
| CN106502850B true CN106502850B (zh) | 2019-08-13 |
Family
ID=58322099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610948650.8A Active CN106502850B (zh) | 2016-11-02 | 2016-11-02 | 一种稀疏紧框架字典学习模型的多故障辨识方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106502850B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110044619B (zh) * | 2019-01-25 | 2020-03-27 | 西安交通大学 | 一种基于稀疏多周期组套索的多故障特征辨识方法 |
| CN109946076B (zh) * | 2019-01-25 | 2020-04-28 | 西安交通大学 | 一种加权多尺度字典学习框架的行星轮轴承故障辨识方法 |
| CN109885022B (zh) * | 2019-02-21 | 2021-07-09 | 山东科技大学 | 一种基于潜故障敏感子空间的故障检测方法 |
| CN110991419B (zh) * | 2019-12-23 | 2023-04-07 | 长安大学 | 基于稀疏低秩协同优化框架的齿轮箱局部故障诊断方法 |
| CN115524150B (zh) * | 2022-09-13 | 2024-04-05 | 西安交通大学 | 基于稀疏时域同步平均的旋转机械故障检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6470469B1 (en) * | 1999-03-26 | 2002-10-22 | Microsoft Corp. | Reconstruction of missing coefficients of overcomplete linear transforms using projections onto convex sets |
| CN106056553A (zh) * | 2016-05-31 | 2016-10-26 | 哈尔滨工业大学深圳研究生院 | 基于紧框架特征字典的图像修复方法 |
-
2016
- 2016-11-02 CN CN201610948650.8A patent/CN106502850B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6470469B1 (en) * | 1999-03-26 | 2002-10-22 | Microsoft Corp. | Reconstruction of missing coefficients of overcomplete linear transforms using projections onto convex sets |
| CN106056553A (zh) * | 2016-05-31 | 2016-10-26 | 哈尔滨工业大学深圳研究生院 | 基于紧框架特征字典的图像修复方法 |
Non-Patent Citations (3)
| Title |
|---|
| A hybrid fault diagnosis method using morphological filter–translationin variant wavelet and improved ensemble empirical mode decomposition;Lingjie Meng.etc;《ScienceDirect》;20140624;全文 |
| Recent progress on decoupling diagnosis of hybrid failures in gear transmission systems using vibration sensor signal: A review;ZhiXiong Li.etc;《ScienceDirect》;20160419;第1-16页 |
| Sparsity-aware tight frame learning for rotary machine fault diagnosis;XueFeng Chen.etc;《 IEEE Xplore》;20160725;第1-6页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106502850A (zh) | 2017-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106502850B (zh) | 一种稀疏紧框架字典学习模型的多故障辨识方法与装置 | |
| Li et al. | WaveletKernelNet: An interpretable deep neural network for industrial intelligent diagnosis | |
| CN107066759B (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
| Zhao et al. | A weighted multi-scale dictionary learning model and its applications on bearing fault diagnosis | |
| CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
| CN105115594B (zh) | 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法 | |
| Song et al. | Self-adaptive multivariate variational mode decomposition and its application for bearing fault diagnosis | |
| CN110595765A (zh) | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 | |
| Hao et al. | Underdetermined source separation of bearing faults based on optimized intrinsic characteristic-scale decomposition and local non-negative matrix factorization | |
| Lv et al. | High-order synchroextracting transform for characterizing signals with strong AM-FM features and its application in mechanical fault diagnosis | |
| Dong et al. | A repeated single-channel mechanical signal blind separation method based on morphological filtering and singular value decomposition | |
| Zhang et al. | Sparsity-aware tight frame learning with adaptive subspace recognition for multiple fault diagnosis | |
| CN111310589B (zh) | 一种机械系统的故障诊断方法、故障诊断装置及终端 | |
| CN110991419B (zh) | 基于稀疏低秩协同优化框架的齿轮箱局部故障诊断方法 | |
| CN115096581B (zh) | 基于时频域特征的复杂传动装置故障诊断溯源方法及系统 | |
| Saravanakumar et al. | Hierarchical symbolic analysis and particle swarm optimization based fault diagnosis model for rotating machineries with deep neural networks | |
| Yu et al. | Frobenius and nuclear hybrid norm penalized robust principal component analysis for transient impulsive feature detection of rolling bearings | |
| Li et al. | Transient feature self-enhancement via shift-invariant manifold sparse learning for rolling bearing health diagnosis | |
| CN115436343A (zh) | 异源激光诱导击穿光谱之间的迁移和标准化方法及系统 | |
| Dai et al. | Complex scale feature extraction for gearbox via adaptive multi-mode manifold learning | |
| Wang et al. | A structurally re-parameterized convolution neural network-based method for gearbox fault diagnosis in edge computing scenarios | |
| Zhang et al. | Fault diagnosis of reciprocating machinery based on improved MEEMD-SqueezeNet | |
| CN113343590A (zh) | 一种基于组合模型的风速预测方法及系统 | |
| Liu et al. | Sparse coefficient fast solution algorithm based on the circulant structure of a shift-invariant dictionary and its applications for machine fault diagnosis | |
| CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |