CN112284728B - 一种旋转机械局部故障特征的分段稀疏压缩与重构方法 - Google Patents

一种旋转机械局部故障特征的分段稀疏压缩与重构方法 Download PDF

Info

Publication number
CN112284728B
CN112284728B CN202011069501.7A CN202011069501A CN112284728B CN 112284728 B CN112284728 B CN 112284728B CN 202011069501 A CN202011069501 A CN 202011069501A CN 112284728 B CN112284728 B CN 112284728B
Authority
CN
China
Prior art keywords
sparse
segmented
matrix
signal
equipment
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
Application number
CN202011069501.7A
Other languages
English (en)
Other versions
CN112284728A (zh
Inventor
林慧斌
邓立发
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202011069501.7A priority Critical patent/CN112284728B/zh
Publication of CN112284728A publication Critical patent/CN112284728A/zh
Application granted granted Critical
Publication of CN112284728B publication Critical patent/CN112284728B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00Testing of machine parts
    • G01M13/02Gearings; Transmission mechanisms
    • G01M13/028Acoustic or vibration analysis
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00Testing of machine parts
    • G01M13/02Gearings; Transmission mechanisms
    • G01M13/021Gearings
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00Testing of machine parts
    • G01M13/04Bearings
    • G01M13/045Acoustic or vibration analysis
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00Subject matter not provided for in other groups of this subclass
    • G01M99/004Testing the effects of speed or acceleration

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明公开了一种旋转机械局部故障特征的分段稀疏压缩与重构方法,包括步骤:步骤S1、在可能存在故障的设备端定时采集一段振动加速度信号,并以移不变K‑SVD方法从中学习模式;步骤S2、将采集到的信号进行重叠分段,得到分段信号后以稀疏随机矩阵进行实时压缩;步骤S3、以无线方式将设备的工况信息、获取的模式、稀疏随机矩阵和分段压缩信号传输到接收端;步骤S4、在接收端,通过模式构造稀疏字典,以快速迭代收缩阈值算法由分段压缩信号重构故障特征;步骤S5、对重构的特征进行包络解调分析,判断设备出现的故障类型。所述方法既能减小设备端数据压缩的难度,又能提高接收端压缩特征的重构效率。

Description

一种旋转机械局部故障特征的分段稀疏压缩与重构方法
技术领域
本发明属于旋转机械故障诊断领域,更具体地,涉及一种旋转机械局部故障特征的分段稀疏压缩与重构方法。
背景技术
诊断旋转机械中存在的故障,及时排除故障是保障旋转机械稳定运行的关键,当旋转机械发生局部型故障时,以振动加速度传感器采集到的振动信号中将包含其故障特征,但大量的数据也会加大存储及传输的负担,如何在缓解数据存储和传输压力的同时有效地提取出振动信号中包含的故障特征是旋转机械故障诊断中的难点。
近些年来发展起来的压缩感知(Compressed Sensing,CS)理论可有效缓解数据存储和传输压力,已被成功地应用在旋转机械局部型故障特征的压缩与重构中。但现有的压缩感知方法仍存在着两方面的不足,(1)现有方法多以高斯随机矩阵作为观测矩阵,加大了由硬件实现压缩过程的难度(Wang W,Wainwright M J,Ramchandran K.Information-theoretic limits on sparse signal recovery:Dense versus sparse measurementmatrices[J].IEEE Transactions on Information Theory,2010,56(6):2967-2979.);(2)现有方法采用的重构算法运算复杂度高,难以高效地重构出故障特征(Metzler C A,Maleki A,Baraniuk R G.From denoising to compressed sensing[J].IEEETransactions on Information Theory,2016,62(9):5117-5144.)。
发明内容
本发明的目的是针对现有压缩感知方法在故障诊断领域应用的不足,提供一种旋转机械局部故障特征的分段稀疏压缩与重构方法。该方法基于压缩感知理论,在信号压缩阶段,以稀疏随机矩阵对分段信号进行观测,降低了由硬件实现压缩过程的难度;在特征重构阶段,以快速迭代收缩阈值算法(Fast Iterative Shrinkage Algorithm,FISTA)对分段压缩信号进行重构,提高了特征重构的效率。
本发明至少通过如下技术方案之一实现。
一种旋转机械局部故障特征的分段稀疏压缩与重构方法,包括以下步骤:
S1、在可能存在故障的设备端定时采集一段振动加速度信号,并以移不变K-SVD方法从中学习模式;
S2、将采集到的信号进行重叠分段,得到分段信号后以稀疏随机矩阵进行实时压缩;
S3、以无线方式将设备的工况信息、获取的模式(模式为一向量,其波形呈现冲击衰减特性)、稀疏随机矩阵和分段压缩信号传输到接收端;
S4、在接收端,通过获取的模式构造稀疏字典,以快速迭代收缩阈值算法重构故障特征;
S5、对重构的特征进行包络解调分析,判断设备出现的故障类型。
优选的,所述步骤S1中具体包括:
S11、将振动加速度传感器安装在可能存在故障的设备壳体上,并定时采集一段振动加速度响应信号y∈RN×1,RN×1表示N行1列的实数向量,信号段的点数为N,其采样频率记为fs
S12、确定模式长度l,以移不变K-SVD方法从信号y中学习模式ψ∈Rl×1,模式为一实数列向量。
优选的,在步骤S2中采用分段稀疏压缩策略来减小设备端的数据压缩的难度,所述步骤S2中具体包括:
S21、设置分段长度L=4l,分段重叠率的取值范围为0~100%,信号分段数K=ceil(2N/L),ceil(·)表示向上取整运算,得到的分段信号Y∈RL×(K-1)为L行K-1列的实数矩阵;
S22、压缩率取值范围为10~30%,稀疏随机矩阵每列1元素的数目设为4,得到稀疏随机观测矩阵Φ∈R(L/5)×L
S23、根据压缩感知理论,以稀疏随机观测矩阵对分段信号Y进行压缩,压缩过程如下式所示:
Z=ΦY∈R(L/5)×(K-1)
上式中Z为分段观测信号,是L/5行K-1列实数矩阵。
优选的,稀疏随机观测矩阵的构造方法如下:
1)构造一个L/5行L列的全零矩阵;
2)在全零矩阵中的每一列中均任意选取位于区间[1,M]内的d行,将所选位置的分量值置为1。
优选的,所述步骤S3中,以无线传输方式将设备的工况信息、由移不变K-SVD方法学习到的模式ψ、稀疏随机观测矩阵Φ与分段观测信号Z传输到接收端。
优选的,在步骤S4中以分段重构策略提高接收端的特征重构效率,所述步骤S4中具体包括:
S41、在接收端,判断由移不变K-SVD学习到的模式是否呈现冲击衰减波形,若是,则执行后续步骤,若否,则表明设备未发生局部故障,将接收的到的信息直接存储即可;
S42、由模式补零时移为稀疏字典Ψ∈RL×L,字典的每列中只包含一个模式,且字典每一列被均归一化;
S43、令感知矩阵A=ΦΨ∈R(L/5)×L,以感知矩阵A和分段观测信号Z作为输入,设置正则化参数λ,通过快速迭代收缩阈值算法求解如下目标函数:
Figure BDA0002712278010000041
其中,
Figure BDA0002712278010000042
为向量l2范数的平方,||·||1为向量的l1范数,θ∈RL×(K-1)为分段稀疏系数,
Figure BDA0002712278010000043
则为使上述目标函数取最小值的分段稀疏系数;
S44、将分段重构信号
Figure BDA0002712278010000044
重组即得到重构故障特征
Figure BDA0002712278010000045
优选的,求解分段稀疏系数
Figure BDA0002712278010000046
的具体步骤如下:
(1)输入分段观测信号Z,感知矩阵A,迭代次数J,常量I;
(2)初始化稀疏系数θ(0)∈RL×(K-1)、辅助变量w(0)∈RL×(K-1)为零矩阵,令参数t(0)=1,迭代次数j=0;
(3)更新稀疏系数θ
Figure BDA0002712278010000047
Figure BDA0002712278010000048
Figure BDA0002712278010000049
上式中θ(j)和θ(j+1)分别表示第j次迭代和第j+1次迭代过程中的分段稀疏系数,w(j)为第j次迭代时的辅助变量,Tλ/I(·)为软阈值函数,符号函数sign(·),点乘运算
Figure BDA00027122780100000410
及最大值函数max(·)均是对矩阵的每一个分量做处理,
Figure BDA00027122780100000411
为梯度,AT为感知矩阵A的转置矩阵;
(4)更新参数t
Figure BDA0002712278010000051
上式中t(j)和t(j+1)分别表示第j次迭代和第j+1次迭代时的常数;
(5)更新辅助变量w
Figure BDA0002712278010000052
(6)令j=j+1,若j>J,则输出
Figure BDA0002712278010000053
否则重复步骤(3)-步骤(6)。
优选的,所述步骤S5中,对重构的特征信号进行解调分析即可判断设备出现的故障类型,根据解调谱中出现的特征频率及由设备运行参数计算得到的可能出现的齿轮及轴承故障特征频率,判断设备出现的故障类型。
本发明与现有技术相比,具有如下优点和有益效果:
(1)该方法在设备端以稀疏随机矩阵对分段信号进行压缩,降低了由硬件实现压缩过程的难度;
(2)该方法在重构端以FISTA算法对分段压缩信号进行重构,提高了远程端特征重构的效率;
(3)该方法适用范围广,当旋转机械发生局部故障时,从振动响应信号中学习到的模式均呈现冲击衰减形式,因此本方法适用于对所有旋转机械的局部故障特征进行压缩与重构。
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是本实施例中所使用的滚动轴承信号;
图3本实施例中所使用滚动轴承信号的解调谱;
图4是本实施例中得到的冲击模式;
图5是本实施例中由快速迭代收缩阈值算法重构得到的故障特征信号;
图6是本实施例中故障特征信号的解调谱。
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。
本实施例提供了一种旋转机械局部故障特征的分段稀疏压缩与重构方法,如图1所示,以旋转机械中发生局部型故障的滚动轴承为研究对象,对本发明进行进一步说明。实验所采用的滚动轴承型号为NUP311EN,其节径为85mm、滚动体直径为18mm、滚动体个数为13个,接触角为0,内圈故障采用线切割方式加工出1mm深,0.2mm宽的槽,故障轴承所在轴的转频为fn=8.33Hz,内圈故障特征频率为fi=65.69Hz。本实施例包括以下步骤:
S1、在可能存在故障的设备端定时采集一段振动加速度信号,并以移不变K-SVD方法从中学习模式,具体包括如下步骤:
S11、将振动加速度传感器安装在变速器壳体上,并定时采集一段振动加速度响应信号y∈RN×1,信号段的点数为N=100000,其采样频率为fs=100kHz,振动信号的时域波如图2所示,振动信号的解调谱如图3所示;
S12、设置模式的长度为l=550个点,以移不变K-SVD方法从信号y中学习模式ψ∈Rl×1
S2、将采集到的信号进行重叠分段,得到分段信号后以稀疏随机矩阵进行实时压缩,具体包括如下步骤:
S21、设置分段长度L=4l=4×550=2200,分段重叠率为50%,信号分段数K=ceil(2N/L)=ceil(2×100000/2200)=91,得到的分段信号Y∈RL×(K-1)为L行K-1列的实数矩阵;
S22、取压缩率为20%,稀疏随机矩阵每列1的数目d设为4,得到稀疏随机观测矩阵Φ∈R(L/5)×L
稀疏随机观测矩阵的构造方法如下:
1)构造一个L/5行L列的全零矩阵Φ;
2)在全零矩阵Φ中的每一列中均任意选取位于区间[1,M]内的d行,将所选位置的分量值置为1;
按步骤1)和步骤2)构造的稀疏随机观测矩阵所需存储量为O(dL),本发明中d=4<L/5,而同等压缩率的高斯随机观测矩阵所需的存储量则为O(L2/5),另外,稀疏随机矩阵中的非零元素仅为1,而高斯随机矩阵中的非零元素则变化多样,相比于高斯随机矩阵,稀疏随机矩阵能有效减少对存储量的需求且其非零元素固定,因此更容易由硬件实现压缩过程;
S23、根据压缩感知理论,以稀疏随机观测矩阵对分段信号Y进行压缩,压缩过程如下式所示
Z=ΦY∈R(L/5)×(K-1)
上式中Z为分段观测信号,是L/5行K-1列实数矩阵。
S3、以无线传输方式将设备的工况信息、学习到的模式ψ、稀疏随机观测矩阵Φ与分段观测信号z传输到设备控制室的接收端。
S4、在接收端,通过模式构造稀疏字典,以分段快速迭代收缩阈值算法重构故障特征,具体包括如下步骤:
S41、在接收端,判断模式是否呈现冲击衰减波形,模式的波形如图4所示,其冲击衰减波形明显,则执行后续步骤;
S42、由模式补零时移为稀疏字典Ψ∈RL×L,字典的每列中只包含一个模式,且字典每一列被均归一化;
S43、令感知矩阵A=ΦΨ∈R(L/5)×L,以感知矩阵A和分段观测信号Z作为输入,设置正则化参数λ=66.7,通过快速迭代收缩阈值算法求解如下目标函数
Figure BDA0002712278010000081
其中,
Figure BDA0002712278010000082
为向量l2范数的平方,||·||1为向量的l1范数,θ∈RL×(K-1)为分段稀疏系数,
Figure BDA0002712278010000083
则为使上述目标函数取最小值的分段稀疏系数;
求解分段稀疏系数
Figure BDA0002712278010000084
的具体步骤如下:
(1)输入分段观测信号Z,感知矩阵A,迭代次数J,常量I;
(2)初始化稀疏系数θ(0)∈RL×(K-1)、辅助变量w(0)∈RL×(K-1)为零矩阵,令参数t(0)=1,迭代次数j=0;
(3)更新稀疏系数θ
Figure BDA0002712278010000085
Figure BDA0002712278010000086
Figure BDA0002712278010000087
上式中θ(j)和θ(j+1)分别表示第j次迭代和第j+1次迭代过程中的分段稀疏系数,w(j)为第j次迭代时的辅助变量,Tλ/I(·)为软阈值函数,符号函数sign(·),点乘运算
Figure BDA0002712278010000088
及最大值函数max(·)均是对矩阵的每一个分量做处理,
Figure BDA0002712278010000089
为梯度,AT为感知矩阵A的转置矩阵;
(4)更新参数t
Figure BDA00027122780100000810
上式中t(j)和t(j+1)分别表示第j次迭代和第j+1次迭代时的常数;
(5)更新辅助变量w
Figure BDA0002712278010000091
(6)令j=j+1,若j>J,则输出
Figure BDA0002712278010000092
否则重复步骤(3)-步骤(6)。
上述求解步骤中,正则化参数λ>0用于平衡重构误差及稀疏系数的稀疏度,迭代次数J设置为一较大值1000,常量
Figure BDA0002712278010000093
是矩阵ATA的最大特征值,在计算矩阵ATA时的复杂度为O(L3/5),且满足L<<N,若不采取本发明中的分段压缩与重构策略,直接对采集的信号段y进行压缩与重构,则重构过程中仅计算矩阵ATA时的复杂度便为O(N3/5),当y的点数N较多时,将带来巨大的运算开销,降低压缩故障特征的重构效率。
S44、将分段重构信号
Figure BDA0002712278010000094
重组即得到重构故障特征
Figure BDA0002712278010000095
重构特征的时域波形如图5所示,时域中大部分噪声被抑制,冲击时刻明显。
S5、对重构的特征进行包络解调分析,判断设备出现的故障类型,具体包括如下步骤:
S5、计算重构的特征的包络谱,其包络谱如图6所示,由图中可以分辨出内圈故障特征频率fi的前4倍频,相应转频fn的调制边带也清晰可见,表明轴承存在内圈局部故障。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。

Claims (5)

1.一种旋转机械局部故障特征的分段稀疏压缩与重构方法,其特征在于,包括以下步骤:
S1、在可能存在故障的设备端定时采集一段振动加速度信号,并以移不变K-SVD方法从中学习模式;
S2、将采集到的信号进行重叠分段,得到分段信号后以稀疏随机矩阵进行实时压缩;所述步骤S2中具体包括:
S21、设置分段长度L=4l,分段重叠率的取值范围为0~100%,信号分段数K=ceil(2N/L),ceil(·)表示向上取整运算,得到的分段信号Y∈RL×(K-1)为L行K-1列的实数矩阵;
S22、压缩率取值范围为10~30%,稀疏随机矩阵每列1元素的数目设为4,得到稀疏随机观测矩阵Φ∈R(L/5)×L
S23、根据压缩感知理论,以稀疏随机观测矩阵对分段信号Y进行压缩,压缩过程如下式所示:
Z=ΦY∈R(L/5)×(K-1)
上式中Z为分段观测信号,是L/5行K-1列实数矩阵;
稀疏随机观测矩阵的构造方法如下:
1)构造一个L/5行L列的全零矩阵;
2)在全零矩阵中的每一列中均任意选取位于区间[1,M]内的d行,将所选位置的分量值置为1;
S3、以无线方式将设备的工况信息、获取的模式、稀疏随机矩阵和分段压缩信号传输到设备控制室的接收端;
S4、在接收端,通过获取的模式构造稀疏字典,以快速迭代收缩阈值算法重构故障特征;具体包括:
S41、在接收端,判断由移不变K-SVD学习到的模式是否呈现冲击衰减波形,若是,则执行后续步骤,若否,则表明设备未发生局部故障,将接收的到的信息直接存储即可;
S42、由模式补零时移为稀疏字典Ψ∈RL×L,字典的每列中只包含一个模式,且字典每一列被均归一化;
S43、令感知矩阵A=ΦΨ∈R(L/5)×L,以感知矩阵A和分段观测信号Z作为输入,设置正则化参数λ,通过快速迭代收缩阈值算法求解如下目标函数:
Figure FDA0003282468200000021
其中,
Figure FDA0003282468200000022
为向量l2范数的平方,||·||1为向量的l1范数,θ∈RL×(K-1)为分段稀疏系数,
Figure FDA0003282468200000023
则为使上述目标函数取最小值的分段稀疏系数;
S44、将分段重构信号
Figure FDA0003282468200000024
重组即得到重构故障特征
Figure FDA0003282468200000025
S5、对重构的特征进行包络解调分析,判断设备出现的故障类型。
2.根据权利要求1所述的一种旋转机械局部故障特征的分段稀疏压缩与重构方法,其特征在于,所述步骤S1中具体包括:
S11、将振动加速度传感器安装在可能存在故障的设备壳体上,并定时采集一段振动加速度响应信号y∈RN×1,RN×1表示N行1列的实数向量,信号段的点数为N,其采样频率记为fs
S12、确定模式长度l,以移不变K-SVD方法从信号y中学习模式ψ∈Rl×1,模式为一实数列向量。
3.根据权利要求2所述的一种旋转机械局部故障特征的分段稀疏压缩与重构方法,其特征在于,所述步骤S3中,以无线传输方式将设备的工况信息、由移不变K-SVD方法学习到的模式ψ、稀疏随机观测矩阵Φ与分段观测信号Z传输到接收端。
4.根据权利要求3所述的一种旋转机械局部故障特征的分段稀疏压缩与重构方法,其特征在于,求解分段稀疏系数
Figure FDA0003282468200000031
的具体步骤如下:
(1)输入分段观测信号Z,感知矩阵A,迭代次数J,常量I;
(2)初始化稀疏系数θ(0)∈RL×(K-1)、辅助变量w(0)∈RL×(K-1)为零矩阵,令参数t(0)=1,迭代次数j=0;
(3)更新稀疏系数θ
Figure FDA0003282468200000032
Figure FDA0003282468200000033
Figure FDA0003282468200000034
上式中θ(j)和θ(j+1)分别表示第j次迭代和第j+1次迭代过程中的分段稀疏系数,w(j)为第j次迭代时的辅助变量,Tλ/I(·)为软阈值函数,符号函数sign(·),点乘运算
Figure FDA0003282468200000035
及最大值函数max(·)均是对矩阵的每一个分量做处理,
Figure FDA0003282468200000036
为梯度,AT为感知矩阵A的转置矩阵;
(4)更新参数t
Figure FDA0003282468200000037
上式中t(j)和t(j+1)分别表示第j次迭代和第j+1次迭代时的常数;
(5)更新辅助变量w
Figure FDA0003282468200000038
(6)令j=j+1,若j>J,则输出
Figure FDA0003282468200000039
否则重复步骤(3)-步骤(6)。
5.根据权利要求4所述的一种旋转机械局部故障特征的分段稀疏压缩与重构方法,其特征在于,所述步骤S5中,对重构的特征信号进行解调分析即可判断设备出现的故障类型,根据解调谱中出现的特征频率及由设备运行参数计算得到的可能出现的齿轮及轴承故障特征频率,判断设备出现的故障类型。
CN202011069501.7A 2020-09-30 2020-09-30 一种旋转机械局部故障特征的分段稀疏压缩与重构方法 Active CN112284728B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011069501.7A CN112284728B (zh) 2020-09-30 2020-09-30 一种旋转机械局部故障特征的分段稀疏压缩与重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011069501.7A CN112284728B (zh) 2020-09-30 2020-09-30 一种旋转机械局部故障特征的分段稀疏压缩与重构方法

Publications (2)

Publication Number Publication Date
CN112284728A CN112284728A (zh) 2021-01-29
CN112284728B true CN112284728B (zh) 2022-03-29

Family

ID=74422840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011069501.7A Active CN112284728B (zh) 2020-09-30 2020-09-30 一种旋转机械局部故障特征的分段稀疏压缩与重构方法

Country Status (1)

Country Link
CN (1) CN112284728B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113390591B (zh) * 2021-05-31 2022-09-13 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

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103595414A (zh) * 2012-08-15 2014-02-19 王景芳 一种稀疏采样与信号压缩感知重构方法
CN104063873A (zh) * 2014-07-08 2014-09-24 华东交通大学 一种基于压缩感知的轴套类零件表面缺陷在线检测方法
CN107123097A (zh) * 2017-04-26 2017-09-01 东北大学 一种基于优化的测量矩阵的成像方法
CN108765255A (zh) * 2018-05-31 2018-11-06 东南大学 基于压缩感知技术的角度量化索引调制图像水印系统与方法
CN109085545A (zh) * 2018-06-28 2018-12-25 西安电子科技大学 基于fista的压缩感知信号实时重构方法
CN109670485A (zh) * 2019-01-23 2019-04-23 华南理工大学 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
CN110267225A (zh) * 2019-07-01 2019-09-20 浙江工商大学 一种基于ElGamal算法的无线传感器数据收集方法
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
CN111064705A (zh) * 2019-11-22 2020-04-24 国网河北省电力有限公司经济技术研究院 适用于高级量测体系的数据压缩采集与传输方法
CN111093166A (zh) * 2019-12-06 2020-05-01 北京京航计算通讯研究所 在物联网中使用稀疏测量矩阵的压缩数据收集系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103595414A (zh) * 2012-08-15 2014-02-19 王景芳 一种稀疏采样与信号压缩感知重构方法
CN104063873A (zh) * 2014-07-08 2014-09-24 华东交通大学 一种基于压缩感知的轴套类零件表面缺陷在线检测方法
CN107123097A (zh) * 2017-04-26 2017-09-01 东北大学 一种基于优化的测量矩阵的成像方法
CN108765255A (zh) * 2018-05-31 2018-11-06 东南大学 基于压缩感知技术的角度量化索引调制图像水印系统与方法
CN109085545A (zh) * 2018-06-28 2018-12-25 西安电子科技大学 基于fista的压缩感知信号实时重构方法
CN109670485A (zh) * 2019-01-23 2019-04-23 华南理工大学 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
CN110267225A (zh) * 2019-07-01 2019-09-20 浙江工商大学 一种基于ElGamal算法的无线传感器数据收集方法
CN111064705A (zh) * 2019-11-22 2020-04-24 国网河北省电力有限公司经济技术研究院 适用于高级量测体系的数据压缩采集与传输方法
CN111093166A (zh) * 2019-12-06 2020-05-01 北京京航计算通讯研究所 在物联网中使用稀疏测量矩阵的压缩数据收集系统
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

Also Published As

Publication number Publication date
CN112284728A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
Fan et al. Sparse representation of transients in wavelet basis and its application in gearbox fault feature extraction
CN110595780B (zh) 基于振动灰度图像和卷积神经网络的轴承故障识别方法
CN110987435B (zh) 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
Liu et al. Acoustic emission signal processing for rolling bearing running state assessment using compressive sensing
CN104655423A (zh) 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法
CN112284727B (zh) 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
CN111122161A (zh) 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法
Islam et al. Acoustic emission sensor network based fault diagnosis of induction motors using a gabor filter and multiclass support vector machines.
CN112284728B (zh) 一种旋转机械局部故障特征的分段稀疏压缩与重构方法
Chen et al. Fault identification method for planetary gear based on DT-CWT threshold denoising and LE
Xiong et al. Fault diagnosis of a rolling bearing based on the wavelet packet transform and a deep residual network with lightweight multi-branch structure
Yang et al. Casing vibration fault diagnosis based on variational mode decomposition, local linear embedding, and support vector machine
CN108776818A (zh) 轴承特征提取方法、轴承剩余寿命预测方法和装置
Zhu et al. A novel asymmetrical autoencoder with a sparsifying discrete cosine Stockwell transform layer for gearbox sensor data compression
CN110907174B (zh) 基于信号冲击结构特性增强的旋转机械微弱故障诊断方法
CN107704825A (zh) 基于自适应集成多小波的机械设备故障特征提取方法
CN113295410B (zh) 变转速工况下的轴承故障诊断方法
CN114894478A (zh) 一种滚动轴承微弱故障特征提取方法
CN115333543A (zh) 一种基于鲁棒性观测矩阵设计的机械信号压缩感知方法
CN115712065B (zh) 时频旋转门与卷积核感知匹配的电机故障诊断方法及系统
Zhang et al. A novel feature extraction algorithm for bearing fault diagnosis based on enhanced symbolic aggregate approximation
Chen Rolling bearing fault diagnosis with compressed signals based on hybrid compressive sensing
He et al. Sparsity-assisted signal representation for rotating machinery fault diagnosis using the tunable Q-factor wavelet transform with overlapping group shrinkage
Guo et al. Integrating laplacian eigenmaps feature space conversion into deep neural network for equipment condition assessment
Song et al. Hybrid compression scheme based on VMD optimization algorithm application to mechanical equipment monitoring

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