CN109670485A - 基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法 - Google Patents
基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法 Download PDFInfo
- Publication number
- CN109670485A CN109670485A CN201910063349.2A CN201910063349A CN109670485A CN 109670485 A CN109670485 A CN 109670485A CN 201910063349 A CN201910063349 A CN 201910063349A CN 109670485 A CN109670485 A CN 109670485A
- Authority
- CN
- China
- Prior art keywords
- signal
- pattern
- sparse
- data
- compression
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Abstract
本发明公开了基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法,包括步骤:S1、分析设备可能存在的故障情况及对应的故障特征信息,并采集设备端的机械振动信号和转速信号;S2、在设备端截取一段时域信号,通过移不变K‑SVD学习方法进行pattern训练;S3、根据压缩感知原理,将采集到的振动信号数据进行实时压缩采样;S4、将设备端由训练学习得到的pattern、转速工况信息和压缩采样后的数据进行远程传输;S5、在接收端,利用pattern构造移不变稀疏字典,同时利用同一传感器上三通道的压缩数据,通过多数据压缩追踪算法进行故障特征恢复;S6、由提取的故障特征信息以确定设备的故障问题所在。本发明方法能够快速提取故障特征和解决庞大数据量的远距离传输问题。
Description
技术领域
本发明涉及齿轮箱等旋转机械故障诊断领域,特别涉及一种基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法。
背景技术
旋转机械的远程故障诊断,因振动信号的复杂性、不稳定性且包含大量噪声成分一直是旋转机械健康状态评估的难点,同时庞大的数据量也给远距离传输带来了沉重的负担。振动信号作为机械健康评估的重要指示,其中往往包含重要的故障特征信息,能够准确、便捷地将故障特征信息提取出来是旋转机械故障诊断的重要手段。
常用的旋转机械故障诊断方法主要包括经验模态分解、小波变换和基于稀疏理论的方法等。经验模态分解方法容易造成模态混叠进而导致故障诊断的不准确,小波变换需要挑选小波种类同时无法兼顾时域、频域的分辨率。基于稀疏理论的方法是利用故障特征信号在某变换域上的可稀疏性进行故障特征提取的,该方法能够准确地将故障信息分离出来。
2006年,Donoho等人在文献“Compressed sensing[J].IEEE Transactions onInformation Theory,2006”中正式提出压缩感知(Compressed sensing)理论。该理论是以稀疏理论为前提,将可稀疏的信号压缩采样为少量信号,并利用少量信号完整地恢复出真实信号。本文基于压缩感知理论,利用时不变K-SVD字典学习方法,对不同通道的数据进行压缩采样以减少数据传输、存储的压力,同时通过压缩信号的恢复处理直接提取出故障特征信号,以达到准确、快速地进行机械故障的健康状态评估。
发明内容
本发明的目的在于针对现有故障检测方法的准确性不足和远程诊断传输压力过大,提供一种基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法;该方法能够实时压缩数据以便于远距离传输,同时能够直接对压缩数据处理完成较高准确度的故障特征信息提取,以快速完成机械健康状态的评估。
为实现以上目的,本发明采取如下技术方案:
基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法,包括以下步骤:
S1、分析设备可能存在的故障情况及其对应的故障特征信息,并采集设备端的机械振动信号和转速信号;
S2、在设备端定时截取一段时域的机械振动信号,通过移不变K-SVD学习方法进行pattern训练,pattern表示一组向量;
S3、根据压缩感知原理,将采集到的机械振动信号数据进行实时压缩采样;
S4、将设备端由训练学习得到的pattern、转速工况信息和压缩采样后的数据进行远程传输;
S5、在接收端,利用pattern构造移不变稀疏字典,同时利用同一传感器上三通道压缩数据,通过多数据压缩追踪算法进行故障特征恢复;
S6、由步骤S5提取的故障特征信息确定设备的故障问题所在。
作为优选的技术方案,所述步骤S1中具体包括:
S11、由设备结构分析其中旋转机构可能会发生的故障类型,并由设备工况计算其故障特征频率;
S12、通过压电式加速度三向传感器采集设备壳体的振动加速度信号,其中传感器置于轴承座处;
S13、采用光电编码器采集旋转机械输入端的转速信号。
作为优选的技术方案,所述步骤S2中具体包括:
S21、定时截取竖直方向5s的机械振动信号以便于移不变K-SVD字典训练;
S22、根据转速信息设置峭度的计算长度Lk,设置信号的训练长度L,并由峭度指标确定训练信号段;其中峭度指标的计算公式如下:
式中:xi为振动信号值,为振动信号均值,Lk为峭度的计算长度,σt为标准差;
S23、由工况设置pattern的长度l,设置输出pattern数量为1,将训练信号段作为输入,进行移不变K-SVD字典训练得到pattern。
作为优选的技术方案,步骤S23中,所述移不变K-SVD字典训练是一个循环迭代的过程,包括稀疏分解和pattern更新两个阶段;在稀疏分解阶段采用匹配追踪算法进行信号段的稀疏分解,目标函数即:
式中:τ为某一时刻σ={τ|θτ≠0},θ是稀疏系数,Tτ是位移算子,m是每次迭代出的pattern;
在pattern更新阶段,首先根据稀疏分解结果寻找最优的patchs矩阵即:
式中:是Tτ的伴随矩阵,剩余信号w是patchs在时刻τ对应的权值,m表示所要训练pattern;θτ表示系数;x表示训练信号段的信号;
然后将最优的patchs矩阵进行奇异值分解,以得到更新的pattern。
作为优选的技术方案,所述步骤S3中具体包括:
S31、确定机械振动信号的采样数据的压缩率为20%,并选择高斯随机矩阵作为压缩采样的观测矩阵Φ;
S32、由所述观测矩阵Φ对不同通道的采样数据进行实时压缩采样,其中压缩采样模型为:
y=Φ(x+e)
式中:y是维数为M的压缩后信息,Φ是M×N的观测矩阵,x+e是采集到的维数为N的含噪信号。
作为优选的技术方案,所述步骤S4中,为最大限度减缓远距离传输压力,只将压缩后的数据信息、学习得到的pattern和转速工况信息进行远距离无线传输。
作为优选的技术方案,所述步骤S5中具体包括:
S51、分析每次接收到的pattern波形信息,检查是否存在疑似于冲击衰减波形;若无,判断无局部型故障问题,直接将接收的信息进行存储即可;若有疑似波形,则进行后续步骤;
S52、将接收到的pattern按照移不变字典构造方法进行特征信号对应的稀疏字典Ψ构造;
S53、截取同一传感器三个通道的压缩数据信号段,并根据截取长度和工况信息计算所述压缩数据信号段中冲击个数的取值范围,并取最大值作为此段信号在稀疏字典Ψ上的预估稀疏度k;
S54、利用同一传感器的三通道压缩数据、预估稀疏度k和构造出的稀疏字典Ψ,通过多数据压缩追踪算法进行故障特征信息恢复。
作为优选的技术方案,步骤54中,所述多数据压缩追踪算法是压缩采样匹配追踪算法的改进,压缩采样匹配追踪算法的原理是通过计算proxy来寻找信号的k稀疏成分,计算方法如下:
pro=ATy=(ΦΨ)TΦx0
式中:y是压缩信号,x0是稀疏信号,Φ是观测矩阵,A是感知矩阵即观测矩阵Φ与稀疏字典Ψ的乘积A=ΦΨ;
所述多数据压缩追踪算法的核心原理是通过叠加计算不同通道的proxy进而增强sumpro中与信号k稀疏成分对应的成分,sumpro的计算公式为:
式中:yi表示不同通道的压缩信号,xi表示每个通道下的设备故障特征信号,ei表示不同通道下的非特征成分噪声;i表示1至n的序数;
其中每个proei计算结果是随机的,而每个proi都有k个相应成分对应于稀疏信号x的稀疏成分,则最终的叠加结果会增强含噪声时计算出sumpro中的k稀疏成分对应的成分。
作为优选的技术方案,所述步骤S6中具体包括:
S61、将恢复的故障特征信号进行频谱分析,得出设备的故障特征频率;
S62、对比设备可能存在故障的特征频率,以确定设备的故障位置,进而达到设备健康状态评估的目的。
本发明相对于现有技术具有如下的优点和效果:
(1)本发明方法将多数据压缩追踪算法与远程故障诊断技术相结合,能够有效地减小数据传输压力,节约成本。
(2)本发明方法利用移不变K-SVD字典训练方法进行pattern训练,该方法仅需一段信号作为输入,并且由于局部性特征信号的特性只需一个pattern即可构造稀疏字典Ψ,在保证精度的情况下简化了训练步骤,提高了训练速度。
(3)本专利所针对的信号数据必然混有非特征成分的噪声,若采用未改进的压缩采样匹配追踪(COSAMP)算法直接计算proxy则会混入噪声成分的计算结果,最终导致难以准确确定特征信号的k稀疏成分;本发明利用多数据压缩追踪算法直接从压缩信号中将故障特征信息提取,简化故障诊断的处理步骤,突出故障特征频率,实现快速的设备健康状态评估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。附图构成本申请的一部分,但仅是作为体现发明概念的非限制性示例,并非用于做出任何限制。
图1是本发明方法实施的流程图;
图2是本发明方法中移不变K-SVD字典训练方法算法流程图;
图3是本发明方法中多数据压缩追踪算法流程图;
图4是本发明方法中的稀疏字典构造方法示意图;
图5是本发明实施例中垂直方向信号压缩采样后的压缩信号图;
图6是本发明实施例中采用COSAMP算法提取的故障特征与垂直方向原时域信号的对比图;
图7是本发明实施例中基于多数据压缩追踪算法提取的故障特征与垂直方向原时域信号的对比图;
图8是本发明实施例中用COSAMP算法提取的故障特征频域图;
图9是本发明实施例中基于多数据压缩追踪算法提取的故障特征频域图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
在MATLAB中仿真齿轮的局部型故障振动信号,并添加相应的噪声,使仿真信号与设备段采集的实际信号相接近。
如图1所示,一种基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法,包括下述步骤:
S1、分析设备可能存在的故障情况及其对应的故障特征信息,并采集设备端的机械振动信号和转速信号;具体包括下述步骤:
S11、由设备结构分析设备端齿轮可能存在的局部型故障情况:输入轴齿轮故障和输出轴齿轮故障,并计算其对应的故障特征信息;
S12、通过压电式加速度三向传感器采集设备壳体的振动加速度信号,其中传感器置于轴承座处;
S13、采用光电编码器采集输入轴的转速信号。
S2、在设备端截取一段时域信号,通过移不变K-SVD学习方法进行pattern训练,pattern表示一组向量;如图2所示,具体包括下述步骤:
S21、定时截取竖直方向5s的时域振动信号进行移不变K-SVD字典训练;
S22、根据转速信息设置峭度的计算长度Lk,设置信号的训练长度L,并由峭度指标确定训练信号段;其中峭度指标的计算公式如下:
式中:xi为信号值,为信号均值,Lk为峭度的计算长度,σt为转速标准差;
S23、由转速和设备的具体参数限定pattern的长度l,设置输出pattern数量为1,将训练信号段作为输入,进行移不变K-SVD字典训练得到pattern;
如图2所示,所述移不变K-SVD字典训练是一个循环迭代的过程,包括稀疏分解和pattern更新两个阶段;在稀疏分解阶段采用匹配追踪算法进行信号段的稀疏分解,目标函数即:
式中:τ为某一时刻σ={τ|θτ≠0},θ是稀疏系数,Tτ是位移算子,m是每次迭代出的pattern;
在pattern更新阶段,首先根据稀疏分解结果寻找最优的patchs矩阵即:
是Tτ的伴随矩阵,剩余信号w是patchs在时刻τ对应的权值,m表示所要训练pattern;θτ表示系数;x表示训练信号段的信号;
然后将最优的patchs矩阵进行SVD分解(奇异值分解),以得到更新的pattern。
S3、根据压缩感知原理,将采集到的机械振动信号数据进行实时压缩采样;包括下述步骤:
S31、确定机械振动信号的采样数据的压缩率为20%,并选择高斯随机矩阵作为压缩采样的观测矩阵Φ;
S32、由所述观测矩阵Φ对不同通道的采样数据进行实时压缩采样,其中压缩采样模型为:
y=Φ(x0+e)
式中:y是维数为M的压缩后信息,Φ是M×N的观测矩阵,x0+e是采集到的维数为N的含噪信号。
S4、将设备端由训练学习得到的pattern、转速工况信息和压缩采样后的数据进行远程传输;
为最大限度减缓远距离传输压力,只将压缩后的数据信息、学习得到的pattern和转速工况信息进行远距离无线传输。
S5、在接收端,利用pattern构造移不变稀疏字典,同时利用同一传感器上三通道压缩数据,通过多数据压缩追踪算法进行故障特征恢复;
S51、分析每次接收到的pattern波形信息,检查是否存在疑似于冲击衰减波形;若无,判断无局部型故障问题,直接将接收的信息进行存储即可;若有疑似波形,则进行后续步骤;
S52、将接收到的pattern按照移不变字典构造方法进行特征信号对应的稀疏字典Ψ构造,如图4所示;
S53、截取同一传感器三个通道的压缩数据,并根据截取长度和工况信息计算所述压缩数据信号段中冲击个数的取值范围,并取最大值作为此段信号在稀疏字典Ψ上的预估稀疏度k;所述工况信息指转速和可能存在的故障类型;
S54、利用同一传感器的三通道压缩数据、预估稀疏度k和构造出的稀疏字典Ψ,通过多数据压缩追踪算法进行故障特征信息恢复。
所述多数据压缩追踪算法是压缩采样匹配追踪算法的改进,压缩采样匹配追踪算法的原理是通过计算proxy来寻找信号的k稀疏成分,计算方法如下:
pro=ATy=(ΦΨ)TΦx0
式中:y是压缩信号,x0是稀疏信号,Φ是观测矩阵,A是感知矩阵即观测矩阵Φ与稀疏字典Ψ的乘积A=ΦΨ;
所述多数据压缩追踪算法流程如图3所示,其核心原理是通过叠加计算不同通道的proxy进而增强sumpro中与信号k稀疏成分对应的成分,sumpro的计算公式为:
式中:yi表示不同通道的压缩信号,xi表示每个通道下的设备故障特征信号,ei表示不同通道下的非特征成分噪声;;i表示1至n的序数;
其中每个proei计算结果是随机的,而每个proi都有k个相应成分对应于稀疏信号x的稀疏成分,则最终的叠加结果会增强含噪声时计算出sumpro中的k稀疏成分对应的成分。
S6、由提取的故障特征计算其故障特征频率,并对比设备可能存在的故障情况,以确定设备的故障位置所在;具体包括下述步骤:
S61、将恢复的故障特征信号进行频谱分析,得出设备的故障特征频率;
S62、对比设备可能存在故障的特征频率,以确定设备的故障位置,进而达到设备健康状态评估的目的。
为验证所提方法的可行性和正确性,建立齿轮箱齿轮局部型(断齿)故障信号仿真模型,通过添加不同的噪声来模拟不同通道的信号,比较采用COSAMP算法与本发明中多数据压缩追踪算法的故障特征提取效果。实验条件为:给定转速2400rpm,采样频率fs=10240HZ,截取信号长度为t=0.5s,压缩采样时压缩率为20%,每个信号添加噪声为-5db左右。
图5是垂直方向0.5s信号进过压缩采样后的压缩信号。从图中可以看出,原0.5s长的信号即5120个点被压缩至1000个点的信号了,减少了约80%的数据量。本发明中采用这些压缩信号进行远距离传输能够有效缓解传输压力,同时还可在此压缩信号的基础上直接进行设备健康状态的评估,以快速确定故障所在。
为更直观地说明问题,本实施例将提取的故障特征信号与压缩采样前垂直方向的时域信号对比。图6是在本实施例中采用压缩采样匹配追踪(COSAMP)算法得到的故障特征提取效果对比图,图7是在本实施例中采用改进后的算法所得的故障特征提取效果对比图。综合图6、图7可以看出,本发明中采用改进算法的效果比COSAMP算法的效果更佳,冲击间隔更加明显均匀,切多数冲击位置得到很好的恢复。
图8和图9分别为采用COSAMP算法和本发明中多数据压缩追踪算法所提取特征信号的频域图。从图中可以看出,本发明的多数据压缩追踪算法比COSAMP算法提取特征信号的频域更加突出特征频率,且倍频成分呈现递减趋势。
综上,本发明基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法,用于远程故障诊断时有以下优点:(1)该方法将多数据压缩追踪算法与远程故障诊断技术相结合,能够有效地减小数据传输压力,节约成本;(2)该方法利用移不变K-SVD字典训练方法进行pattern训练,仅需一段信号作为输入,并且只需一个pattern即可构造稀疏字典Ψ,在保证精度的情况下简化了训练步骤,提高了训练速度;(3)该方法利用多数据压缩追踪算法直接从压缩信号中将故障特征信息提取,简化故障诊断的处理步骤,突出故障特征频率,实现快速的设备健康状态评估;
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以权利要求所述为准。
Claims (9)
1.基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法,其特征在于,包括以下步骤:
S1、分析设备可能存在的故障情况及其对应的故障特征信息,并采集设备端的机械振动信号和转速信号;
S2、在设备端定时截取一段时域的机械振动信号,通过移不变K-SVD学习方法进行pattern训练,pattern表示一组向量;
S3、根据压缩感知原理,将采集到的机械振动信号数据进行实时压缩采样;
S4、将设备端由训练学习得到的pattern、转速工况信息和压缩采样后的数据进行远程传输;
S5、在接收端,利用pattern构造移不变稀疏字典,同时利用同一传感器上三通道压缩数据,通过多数据压缩追踪算法进行故障特征恢复;
S6、由步骤S5提取的故障特征信息确定设备的故障问题所在。
2.如权利要求1所述的基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法,其特征在于,所述步骤S1中具体包括:
S11、由设备结构分析其中旋转机构可能会发生的故障类型,并由设备工况计算其故障特征频率;
S12、通过压电式加速度三向传感器采集设备壳体的振动加速度信号,其中传感器置于轴承座处;
S13、采用光电编码器采集旋转机械输入端的转速信号。
3.如权利要求1所述的基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法,其特征在于,所述步骤S2中具体包括:
S21、定时截取竖直方向5s的机械振动信号以便于移不变K-SVD字典训练;
S22、根据转速信息设置峭度的计算长度Lk,设置信号的训练长度L,并由峭度指标确定训练信号段;其中峭度指标的计算公式如下:
式中:xi为振动信号值,为振动信号均值,Lk为峭度的计算长度,σt为标准差;
S23、由工况设置pattern的长度l,设置输出pattern数量为1,将训练信号段作为输入,进行移不变K-SVD字典训练得到pattern。
4.如权利要求1所述的基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法,其特征在于,步骤S23中,所述移不变K-SVD字典训练是一个循环迭代的过程,包括稀疏分解和pattern更新两个阶段;在稀疏分解阶段采用匹配追踪算法进行信号段的稀疏分解,目标函数即:
式中:τ为某一时刻σ={τ|θτ≠0},θ是稀疏系数,Tτ是位移算子,m是每次迭代出的pattern;
在pattern更新阶段,首先根据稀疏分解结果寻找最优的patchs矩阵即:
式中:是Tτ的伴随矩阵,剩余信号w是patchs在时刻τ对应的权值,m表示所要训练pattern;θτ表示系数;x表示训练信号段的信号;
然后将最优的patchs矩阵进行奇异值分解,以得到更新的pattern。
5.如权利要求1所述的基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法,其特征在于,所述步骤S3中具体包括:
S31、确定机械振动信号的采样数据的压缩率为20%,并选择高斯随机矩阵作为压缩采样的观测矩阵Φ;
S32、由所述观测矩阵Φ对不同通道的采样数据进行实时压缩采样,其中压缩采样模型为:
y=Φ(x+e)
式中:y是维数为M的压缩后信息,Φ是M×N的观测矩阵,x+e是采集到的维数为N的含噪信号。
6.如权利要求1所述的基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法,其特征在于,所述步骤S4中,为最大限度减缓远距离传输压力,只将压缩后的数据信息、学习得到的pattern和转速工况信息进行远距离无线传输。
7.如权利要求1所述的基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法,其特征在于,所述步骤S5中具体包括:
S51、分析每次接收到的pattern波形信息,检查是否存在疑似于冲击衰减波形;若无,判断无局部型故障问题,直接将接收的信息进行存储即可;若有疑似波形,则进行后续步骤;
S52、将接收到的pattern按照移不变字典构造方法进行特征信号对应的稀疏字典Ψ构造;
S53、截取同一传感器三个通道的压缩数据信号段,并根据截取长度和工况信息计算所述压缩数据信号段中冲击个数的取值范围,并取最大值作为此段信号在稀疏字典Ψ上的预估稀疏度k;
S54、利用同一传感器的三通道压缩数据、预估稀疏度k和构造出的稀疏字典Ψ,通过多数据压缩追踪算法进行故障特征信息恢复。
8.如权利要求1所述的基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法,其特征在于,步骤54中,所述多数据压缩追踪算法是压缩采样匹配追踪算法的改进,压缩采样匹配追踪算法的原理是通过计算proxy来寻找信号的k稀疏成分,计算方法如下:
pro=ATy=(ΦΨ)TΦx0
式中:y是压缩信号,x0是稀疏信号,Φ是观测矩阵,A是感知矩阵即观测矩阵Φ与稀疏字典Ψ的乘积A=ΦΨ;
所述多数据压缩追踪算法的核心原理是通过叠加计算不同通道的proxy进而增强sumpro中与信号k稀疏成分对应的成分,sumpro的计算公式为:
式中:yi表示不同通道的压缩信号,xi表示每个通道下的设备故障特征信号,ei表示不同通道下的非特征成分噪声;i表示1至n的序数;
其中每个proei计算结果是随机的,而每个proi都有k个相应成分对应于稀疏信号x的稀疏成分,则最终的叠加结果会增强含噪声时计算出sumpro中的k稀疏成分对应的成分。
9.如权利要求1所述的基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法,其特征在于,所述步骤S6中具体包括:
S61、将恢复的故障特征信号进行频谱分析,得出设备的故障特征频率;
S62、对比设备可能存在故障的特征频率,以确定设备的故障位置,进而达到设备健康状态评估的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910063349.2A CN109670485B (zh) | 2019-01-23 | 2019-01-23 | 基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910063349.2A CN109670485B (zh) | 2019-01-23 | 2019-01-23 | 基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109670485A true CN109670485A (zh) | 2019-04-23 |
CN109670485B CN109670485B (zh) | 2022-10-25 |
Family
ID=66151028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910063349.2A Active CN109670485B (zh) | 2019-01-23 | 2019-01-23 | 基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670485B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110987435A (zh) * | 2019-12-18 | 2020-04-10 | 北京化工大学 | 一种基于改进k-svd字典学习和压缩感知的轴承故障诊断方法 |
CN111505379A (zh) * | 2020-03-06 | 2020-08-07 | 天津大学 | 一种基于奇异值分解的配电网同步相量量测数据压缩方法 |
CN112284728A (zh) * | 2020-09-30 | 2021-01-29 | 华南理工大学 | 一种旋转机械局部故障特征的分段稀疏压缩与重构方法 |
CN112284727A (zh) * | 2020-09-30 | 2021-01-29 | 华南理工大学 | 一种基于卷积极大极小凹罚算法的旋转机械故障诊断方法 |
CN113225089A (zh) * | 2021-04-23 | 2021-08-06 | 西安交通大学 | 一种工业机器人多通道监测数据压缩方法及系统 |
CN113242043A (zh) * | 2021-06-02 | 2021-08-10 | 中山迈雷特智能装备有限公司 | 一种电主轴测量数据远程传输中的数据压缩方法 |
CN113295420A (zh) * | 2021-06-10 | 2021-08-24 | 燕山大学 | 基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统 |
CN113390591A (zh) * | 2021-05-31 | 2021-09-14 | 广西电网有限责任公司电力科学研究院 | 基于5g网络的有载分接开关机械振动检测系统及方法 |
CN113420837A (zh) * | 2020-08-18 | 2021-09-21 | 河南工业大学 | 基于多源压缩感知的故障诊断方法 |
CN115758277A (zh) * | 2022-11-30 | 2023-03-07 | 重庆忽米网络科技有限公司 | 一种旋转类设备健康状态在线评估方法 |
CN116450592A (zh) * | 2022-12-30 | 2023-07-18 | 湖北华数新一代智能数控系统创新中心有限公司 | 一种基于工业大数据特征的工况自适应压缩方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100241378A1 (en) * | 2009-03-19 | 2010-09-23 | Baraniuk Richard G | Method and Apparatus for Compressive Parameter Estimation and Tracking |
US20110241917A1 (en) * | 2010-02-23 | 2011-10-06 | Baraniuk Richard G | Method And Apparatus For Signal Reconstruction From Saturated Measurements |
US20130093957A1 (en) * | 2010-06-18 | 2013-04-18 | Richard G. Baraniuk | Method and apparatus for compressive acquisition and recovery of dynamic imagery |
CN103905053A (zh) * | 2014-03-31 | 2014-07-02 | 南京信息工程大学 | 压缩感知下基于固定子空间的稀疏信号分离方法 |
CN103929256A (zh) * | 2014-04-25 | 2014-07-16 | 哈尔滨工业大学 | 一种多帧压缩感知信号频谱检测方法 |
US20170141936A1 (en) * | 2015-11-13 | 2017-05-18 | Samsung Electronics Co., Ltd | Method and apparatus for channel estimation in wireless communication system |
CN108401150A (zh) * | 2018-03-22 | 2018-08-14 | 浙江科技学院 | 一种模拟视觉主观感知的压缩感知重建算法质量统计评价方法 |
CN108507789A (zh) * | 2018-05-31 | 2018-09-07 | 燕山大学 | 基于平均随机弱正交匹配追踪的滚动轴承故障稀疏诊断方法 |
CN108599820A (zh) * | 2018-05-07 | 2018-09-28 | 东北大学 | 基于块结构自适应压缩采样匹配追踪算法的大规模mimo系统信道估计方法 |
-
2019
- 2019-01-23 CN CN201910063349.2A patent/CN109670485B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100241378A1 (en) * | 2009-03-19 | 2010-09-23 | Baraniuk Richard G | Method and Apparatus for Compressive Parameter Estimation and Tracking |
US20110241917A1 (en) * | 2010-02-23 | 2011-10-06 | Baraniuk Richard G | Method And Apparatus For Signal Reconstruction From Saturated Measurements |
US20130093957A1 (en) * | 2010-06-18 | 2013-04-18 | Richard G. Baraniuk | Method and apparatus for compressive acquisition and recovery of dynamic imagery |
CN103905053A (zh) * | 2014-03-31 | 2014-07-02 | 南京信息工程大学 | 压缩感知下基于固定子空间的稀疏信号分离方法 |
CN103929256A (zh) * | 2014-04-25 | 2014-07-16 | 哈尔滨工业大学 | 一种多帧压缩感知信号频谱检测方法 |
US20170141936A1 (en) * | 2015-11-13 | 2017-05-18 | Samsung Electronics Co., Ltd | Method and apparatus for channel estimation in wireless communication system |
CN108401150A (zh) * | 2018-03-22 | 2018-08-14 | 浙江科技学院 | 一种模拟视觉主观感知的压缩感知重建算法质量统计评价方法 |
CN108599820A (zh) * | 2018-05-07 | 2018-09-28 | 东北大学 | 基于块结构自适应压缩采样匹配追踪算法的大规模mimo系统信道估计方法 |
CN108507789A (zh) * | 2018-05-31 | 2018-09-07 | 燕山大学 | 基于平均随机弱正交匹配追踪的滚动轴承故障稀疏诊断方法 |
Non-Patent Citations (3)
Title |
---|
D. NEEDELL ET AL.: "CoSaMP: Iterative signal recovery from incomplete", 《APPLIED AND COMPUTATIONAL HARMONIC ANALYSIS》 * |
HUIBIN LIN ET AL.: "ROLLER BEARING FAULT FEATURE EXTRACTION BASED ON COMPRESSIVE SENSING", 《DETC2018-85196》 * |
裴立业 等: "基于选择性测量的压缩感知去噪重构算法", 《通信学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110987435A (zh) * | 2019-12-18 | 2020-04-10 | 北京化工大学 | 一种基于改进k-svd字典学习和压缩感知的轴承故障诊断方法 |
CN111505379A (zh) * | 2020-03-06 | 2020-08-07 | 天津大学 | 一种基于奇异值分解的配电网同步相量量测数据压缩方法 |
CN111505379B (zh) * | 2020-03-06 | 2021-07-16 | 天津大学 | 一种基于奇异值分解的配电网同步相量量测数据压缩方法 |
CN113420837A (zh) * | 2020-08-18 | 2021-09-21 | 河南工业大学 | 基于多源压缩感知的故障诊断方法 |
CN113420837B (zh) * | 2020-08-18 | 2024-01-26 | 河南工业大学 | 基于多源压缩感知的故障诊断方法 |
CN112284728A (zh) * | 2020-09-30 | 2021-01-29 | 华南理工大学 | 一种旋转机械局部故障特征的分段稀疏压缩与重构方法 |
CN112284727A (zh) * | 2020-09-30 | 2021-01-29 | 华南理工大学 | 一种基于卷积极大极小凹罚算法的旋转机械故障诊断方法 |
CN112284728B (zh) * | 2020-09-30 | 2022-03-29 | 华南理工大学 | 一种旋转机械局部故障特征的分段稀疏压缩与重构方法 |
CN113225089A (zh) * | 2021-04-23 | 2021-08-06 | 西安交通大学 | 一种工业机器人多通道监测数据压缩方法及系统 |
CN113390591A (zh) * | 2021-05-31 | 2021-09-14 | 广西电网有限责任公司电力科学研究院 | 基于5g网络的有载分接开关机械振动检测系统及方法 |
CN113242043A (zh) * | 2021-06-02 | 2021-08-10 | 中山迈雷特智能装备有限公司 | 一种电主轴测量数据远程传输中的数据压缩方法 |
CN113295420A (zh) * | 2021-06-10 | 2021-08-24 | 燕山大学 | 基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统 |
CN113295420B (zh) * | 2021-06-10 | 2022-04-08 | 燕山大学 | 基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统 |
CN115758277A (zh) * | 2022-11-30 | 2023-03-07 | 重庆忽米网络科技有限公司 | 一种旋转类设备健康状态在线评估方法 |
CN116450592A (zh) * | 2022-12-30 | 2023-07-18 | 湖北华数新一代智能数控系统创新中心有限公司 | 一种基于工业大数据特征的工况自适应压缩方法及系统 |
CN116450592B (zh) * | 2022-12-30 | 2024-01-02 | 湖北华数新一代智能数控系统创新中心有限公司 | 一种基于工业大数据特征的工况自适应压缩方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109670485B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670485A (zh) | 基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法 | |
CN103048137B (zh) | 一种变工况下的滚动轴承故障诊断方法 | |
CN105424359B (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
CN103575523B (zh) | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 | |
CN106644467B (zh) | 一种齿轮箱非平稳信号故障特征提取方法 | |
CN105181122B (zh) | 机械振动信号数据压缩采集方法 | |
CN105928702B (zh) | 基于形态分量分析的变工况齿轮箱轴承故障诊断方法 | |
CN105651504A (zh) | 基于自适应小波能量的旋转机械故障特征提取方法 | |
CN106053080B (zh) | 基于能量切片小波变换的滚动轴承故障特征提取方法 | |
CN102023010B (zh) | 基于mems的小波域多传感器信息融合系统及融合方法 | |
CN106769040B (zh) | 一种轴承振动信号稀疏重构的方法 | |
CN105090001B (zh) | 一种基于相似性分析的往复压缩机信号整周期相位校准方法 | |
CN103217213A (zh) | 基于响应信号时频联合分布特征的模态参数辨识方法 | |
CN103018043A (zh) | 变转速轴承故障诊断方法 | |
CN104132791A (zh) | 一种基于脉冲激励的运行模态分析实验方法及装置 | |
CN104133950A (zh) | 一种悬臂梁运行模态分析实验方法及装置 | |
CN103018044A (zh) | 一种改进冲击字典匹配追踪算法的轴承复合故障诊断方法 | |
CN101893698A (zh) | 噪声源测试分析方法及其装置 | |
CN101587007A (zh) | 识别柔性桥梁结构动力参数的惟输出小波基分析方法 | |
CN104215456A (zh) | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 | |
CN104165742A (zh) | 一种基于互谱函数的运行模态分析实验方法及装置 | |
CN104142219A (zh) | 一种基于多点脉冲激励的主轴系统运行模态分析方法 | |
CN105702305A (zh) | 核电站松动部件多目标三维动态跟踪方法 | |
CN103811017A (zh) | 一种基于Welch法的冲床噪声功率谱估计改进方法 | |
CN103234750A (zh) | 一种基于改进倒频谱法的等高齿锥齿轮故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |