CN113295420A - 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 - Google Patents

Abstract

本发明涉及一种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，方法包括：获取滚动轴承的振动信号；根据所述振动信号确定所述振动信号的增强包络；根据所述增强包络和所述振动信号确定增强包络自相关函数；根据所述增强包络自相关函数确定轴承故障冲击周期估计值；根据所述轴承故障冲击周期估计值构建二进制周期序列；将所述二进制周期序列嵌入弹性网作为约束条件，将L_0.5范数作为惩罚函数，根据所述振动信号构建组稀疏模型；将所述振动信号输入所述组稀疏模型，确定降噪信号；对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。本发明通过对周期冲击特征的有效提取，提高滚动轴承特征的特征提取精度和故障识别的准确性。

Description

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

技术领域

本发明涉及机械故障诊断技术领域，特别是涉及一种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。

背景技术

滚动轴承是旋转机械传动链中的关键部件，在航空航天、风力发电等重大装备中发挥着重要作用。然而，由于重大装备通常在环境恶劣、条件苛刻的环境中长时间连续工作，滚动轴承难免发生如点蚀、磨损等局部损伤，轻则导致整个系统的停机，重则造成重大的人员伤亡事故。因此，研究有效的故障诊断方法来实时监测和识别滚动轴承的健康状态，对保障设备的安全可靠运行具有重要意义。

稀疏表示的出现为机械故障特征提取提供了新的思路，其主要思想是利用超完备字典中的少量原子来表征信号的主要特征，既可以有效剔除信号中的噪声干扰，又可以降低数据维度。因此，稀疏表示在机械故障诊断领域得到了广泛关注和研究，并取得了良好的效果。但是，目前稀疏模型中的惩罚函数的设计主要集中在L₁范数和L₂范数，未能充分利用L₁范数和L₂范数在提升特征的组内组间稀疏性方面的优势，导致稀疏表示对微弱周期冲击特征的提取性能较差。因此，有必要研究有效的稀疏表示方法以实现滚动轴承故障的微弱特征提取。

发明内容

本发明的目的是提供一种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，通过对周期冲击特征的有效提取，提高滚动轴承特征的特征提取精度和故障识别的准确性。

为实现上述目的，本发明提供了如下方案：

一种基于周期指导组稀疏模型的滚动轴承故障诊断方法，包括：

获取滚动轴承的振动信号；

根据所述振动信号确定所述振动信号的增强包络；

根据所述增强包络和所述振动信号确定增强包络自相关函数；

根据所述增强包络自相关函数确定轴承故障冲击周期估计值；

根据所述轴承故障冲击周期估计值构建二进制周期序列；

将所述二进制周期序列嵌入弹性网作为约束条件，将L_0.5范数作为惩罚函数，根据所述振动信号构建组稀疏模型；

将所述振动信号输入所述组稀疏模型，确定降噪信号；

对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。

可选的，所述根据所述增强包络自相关函数确定轴承故障冲击周期估计值，具体包括：

根据所述滚动轴承的节圆直径、滚动体数量、滚动体直径、接触角和旋转频率确定故障特征频率理论值；

根据采样频率和所述故障特征频率理论值确定轴承故障冲击周期理论值；

根据所述轴承故障冲击周期理论值和所述增强包络自相关函数的极大值点确定轴承故障冲击周期估计值。

可选的，所述组稀疏模型为：

其中，x^*为组稀疏模型，R^N表示欧式空间；y表示振动信号，x是组稀疏模型输出的降噪结果，λ为第一正则化参数，γ为第二正则化参数，ψ为索引集，ψ＝{1,2,...,N}，θ(x,B,n)为弹性网函数，ξ是弹性网平衡参数，||·||表示范数，

表示非凸罚函数，c是控制惩罚项非凸度的常数，θ(x,B,n)表示弹性网函数，K为二进制周期序列B的长度，B_k表示二进制周期序列B中的第k个数值；x_n+k表示降噪结果x中的第n+k个数值。

可选的，所述将所述振动信号输入所述组稀疏模型，确定降噪信号，具体包括：

将所述振动信号输入所述组稀疏模型，利用优化最小算法对所述组稀疏模型进行迭代求解，确定降噪信号。

可选的，所述对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息，具体包括：

对所述降噪信号进行增强包络解调确定所述降噪信号的增强包络；

对所述降噪信号的增强包络进行傅里叶变换确定所述降噪信号的解调包络谱；

根据所述解调包络谱确定滚动轴承故障特征信息。

一种基于周期指导组稀疏模型的滚动轴承故障诊断系统，包括：

获取模块，用于获取滚动轴承的振动信号；

增强包络确定模块，用于根据所述振动信号确定所述振动信号的增强包络；

增强包络自相关函数确定模块，用于根据所述增强包络和所述振动信号确定增强包络自相关函数；

轴承故障冲击周期估计值确定模块，用于根据所述增强包络自相关函数确定轴承故障冲击周期估计值；

二进制周期序列构建模块，用于根据所述轴承故障冲击周期估计值构建二进制周期序列；

组稀疏模型构建模块，用于将所述二进制周期序列嵌入弹性网作为约束条件，将L_0.5范数作为惩罚函数，根据所述振动信号构建组稀疏模型；

降噪信号确定模块，用于将所述振动信号输入所述组稀疏模型，确定降噪信号；

滚动轴承故障特征信息确定模块，用于对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。

可选的，所述轴承故障冲击周期估计值确定模块，具体包括：

故障特征频率理论值确定单元，用于根据所述滚动轴承的节圆直径、滚动体数量、滚动体直径、接触角和旋转频率确定故障特征频率理论值；

轴承故障冲击周期理论值确定单元，用于根据采样频率和所述故障特征频率理论值确定轴承故障冲击周期理论值；

轴承故障冲击周期估计值确定单元，用于根据所述轴承故障冲击周期理论值和所述增强包络自相关函数的极大值点确定轴承故障冲击周期估计值。

可选的，所述组稀疏模型为：

其中，x^*为组稀疏模型，R^N表示欧式空间；y表示振动信号，x是组稀疏模型输出的降噪结果，λ为第一正则化参数，γ为第二正则化参数，ψ为索引集，ψ＝{1,2,...,N}，θ(x,B,n)为弹性网函数，ξ是弹性网平衡参数，||·||表示范数，

表示非凸罚函数，c是控制惩罚项非凸度的常数，θ(x,B,n)表示弹性网函数，K为二进制周期序列B的长度，B_k表示二进制周期序列B中的第k个数值；x_n+k表示降噪结果x中的第n+k个数值。

可选的，所述降噪信号确定模块，具体包括：

降噪信号确定单元，用于将所述振动信号输入所述组稀疏模型，利用优化最小算法对所述组稀疏模型进行迭代求解，确定降噪信号。

可选的，所述滚动轴承故障特征信息确定模块，具体包括：

增强包络解调单元，用于对所述降噪信号进行增强包络解调确定所述降噪信号的增强包络；

傅里叶变换单元，用于对所述降噪信号的增强包络进行傅里叶变换确定所述降噪信号的解调包络谱；

滚动轴承故障特征信息确定单元，用于根据所述解调包络谱确定滚动轴承故障特征信息。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的一种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，通过弹性网与L_0.5范数相结合作为惩罚函数，利用结合周期先验的弹性网约束可有效筛选组内高度相关的特征信息，采用非凸的L_0.5范数来约束组间元素，进一步诱导估计信号在时域的稀疏性，使得所提模型具有组内组间稀疏性，更好地提取微弱周期冲击特征；采用增强包络自相关函数函数来动态估计轴承故障冲击周期，并利用轴承故障冲击周期估计值构造二进制周期序列，作为组稀疏模型的结构约束项，进一步提高了轴承故障特征的提取精度。

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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的基于周期指导组稀疏模型的滚动轴承故障诊断方法流程图；

图2为本发明提供的基于周期指导组稀疏模型的滚动轴承故障诊断方法具体工作图；

图3为本发明提供的含有噪声的周期冲击信号时域波形图；

图4为本发明提供的基于周期指导组稀疏模型得到的时域波形图；

图5为本发明提供的增强包络谱图；

图6为本发明提供的基于周期指导组稀疏模型的滚动轴承故障诊断系统示意图。

具体实施方式

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，所描述的实施例仅仅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。

本发明的目的是提供一种一种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，通过对周期冲击特征的有效提取，提高滚动轴承特征的特征提取精度和故障识别的准确性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供的一种基于周期指导组稀疏模型的滚动轴承故障诊断方法，包括：

步骤101：获取滚动轴承的振动信号。

步骤102：根据所述振动信号确定所述振动信号的增强包络。

步骤103：根据所述增强包络和所述振动信号确定增强包络自相关函数。

步骤104：根据所述增强包络自相关函数确定轴承故障冲击周期估计值。

步骤104，具体包括：

根据所述滚动轴承的节圆直径、滚动体数量、滚动体直径、接触角和旋转频率确定故障特征频率理论值。

根据采样频率和所述故障特征频率理论值确定轴承故障冲击周期理论值。

根据所述轴承故障冲击周期理论值和所述增强包络自相关函数的极大值点确定轴承故障冲击周期估计值。

如图2所示，对滚动轴承振动信号计算增强包络，并利用增强包络自相关函数中若干相邻极大值点间距的平均值作为轴承故障冲击周期估计值

具体包括：

Step1计算振动信号y(n)(n＝1,2,…,N)的增强包络Ey(n)，并计算增强包络的自相关函数R_Ey(τ)，计算公式如下：

Ey(n)＝[y²(n+1)+y²(n-1)+h²(n-1)+h²(n+1)]-2×[y(n+1)y(n-1)+h(n-1)h(n+1)]

h(n)是振动信号y(n)的离散希尔伯特变换。Ey(n)为振动信号y(n)的增强包络，y(n+1)为第n+1个振动信号，y(n-1)为第n-1个振动信号，h(n+1)为第n+1个振动信号的离散希尔伯特变换，h(n-1)为第n-1个振动信号的离散希尔伯特变换。R_Ey(τ)为增强包络自相关函数，R_Ey(τ)左右对称且长度为2×N-1，所以选取右半部分长度为N的序列作为自相关函数REy(τ)；Ey(n-τ)为为增强包络Ey(n)延时τ的序列，N为振动信号y(n)的长度。

Step2根据滚动轴承的节圆直径、滚动体数量、滚动体直径、接触角和旋转频率计算得到故障特征频率理论值f_c，再结合采样频率f_s计算得到轴承故障冲击周期理论值τ＝f_s/f_c；从自相关函数R_Ex(τ)的中间部分选择一个长度为round(k×τ)的区间，其中，round()表示四舍五入运算，k是大于2的整数，且满足round(k×τ)<N/2；在该区间内寻找自相关函数的极大值点pk_i,(i＝1,2,…,m；m为极大值点的数量)，并对得到的全部极大值点进行降序排列得到集合ppk；选取集合ppk中的最大值记为max_ppk，选取集合ppk中前k个极大值中的最小值记为min_ppk；利用如下公式计算上阈值Upper_th和下阈值Lower_th：

Upper_th＝max_ppk+1.4826×median(||pk-median(pk)||)

Lower_th＝min_ppk-1.4826×median(||pk-median(pk)||)

式中，median(·)表示中位数。

Step3利用上阈值Upper_th和下阈值Lower_th对自相关函数的极大值点pk_i进行筛选；当Lower_th≤pk_i≤Upper_th，则记录第i个极大值点pk_i对应的横坐标D_j(j＝1,2,…,J；J表示极大值点位于上阈值和下阈值之间的极大值点的数量)；计算相邻极大值点间距的平均值为轴承故障冲击周期估计值

轴承故障冲击周期估计值为轴承故障冲击周期的最佳估计，计算公式为：

步骤105：根据所述轴承故障冲击周期估计值构建二进制周期序列。

利用轴承故障冲击周期估计值

构造一个长度为K的二进制周期序列B，其中

且在每个周期内由N₁个的“1”和N₀个的“0”组成，N₁为正整数，取值范围为[3,6]，则

步骤106：将所述二进制周期序列嵌入弹性网作为约束条件，将L_0.5范数作为惩罚函数，根据所述振动信号构建组稀疏模型。其中，所述组稀疏模型为：

其中，x^*为组稀疏模型，R^N表示欧式空间；y表示振动信号，x是组稀疏模型输出的降噪结果，λ为第一正则化参数，γ为第二正则化参数，ψ为索引集，ψ＝{1,2,...,N}，θ(x,B,n)为弹性网函数，ξ是弹性网平衡参数，||·||表示范数，

表示非凸罚函数，c是控制惩罚项非凸度的常数，θ(x,B,n)表示弹性网函数，K为二进制周期序列B的长度，Bk表示二进制周期序列B中的第k个数值；x_n+k表示降噪结果x中的第n+k个数值。

轴承故障冲击周期估计值

构造二进制周期序列B，并将其作为结构先验嵌入弹性网，再结合L_0.5范数来构造组稀疏模型。

步骤107：将所述振动信号输入所述组稀疏模型，确定降噪信号。步骤107，具体包括：将所述振动信号输入所述组稀疏模型，利用优化最小算法对所述组稀疏模型进行迭代求解，确定降噪信号。

将振动信号的时域信号输入构造的组稀疏模型，并采用优化最小算法对模型进行迭代求解，得到降噪后的信号，具体包括：

Step1设定算法迭代次数N_iter和组稀疏模型中的参数λ，γ和ξ，并初始化迭代信号x⁽ⁱ⁾＝y，其中i表示迭代次数，初始值为i＝0。

Step2根据步骤104对信号x⁽ⁱ⁾估计冲击周期

并按照步骤105构造二进制周期序列B。

Step3利用优化最小算法对组稀疏模型进行求解：计算L_0.5范数的加权因子u⁽ⁱ⁾＝(|x⁽ⁱ⁾|+ε)^-0.5，和弹性网函数

并进一步求得

其中，i表示迭代次数，n表示数据x的索引值，取值范围为[1,N]，j表示二进制周期序列B的索引值，取值范围为[1,K]。

Step4利用软阈值函数更新信号

其中，

式中，x表示输入，δ表示阈值。

Step5终止条件判定：当迭代次数达到设定值N_iter时，输出降噪后的信号x；反之，i＝i+1，返回Step2。

步骤108：对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。

步骤108，具体包括：

对所述降噪信号进行增强包络解调确定所述降噪信号的增强包络。

对所述降噪信号的增强包络进行傅里叶变换确定所述降噪信号的解调包络谱。

根据所述解调包络谱确定滚动轴承故障特征信息。

对得到的降噪信号x进行增强包络解调，利用解调包络谱实现滚动轴承故障的有效识别，具体包括：

计算降噪信号x(n)(n＝1,2,…,N)的增强包络Ex(n)，计算公式如下：

Ex(n)＝[x²(n+1)+x²(n-1)+h²(n-1)+h²(n+1)]-2×[x(n+1)x(n-1)+h(n-1)h(n+1)]

式中，N为振动信号x(n)的长度，h(n)是振动信号x(n)的离散希尔伯特变换；然后，利用离散傅里叶变换计算增强包络Ex(n)的频谱，得到解调包络谱，从而实现滚动轴承故障识别。

如图6所示，本发明提供的基于周期指导组稀疏模型的滚动轴承故障诊断系统，包括：

获取模块601，用于获取滚动轴承的振动信号。

增强包络确定模块602，用于根据所述振动信号确定所述振动信号的增强包络。

增强包络自相关函数确定模块603，用于根据所述增强包络和所述振动信号确定增强包络自相关函数。

轴承故障冲击周期估计值确定模块604，用于根据所述增强包络自相关函数确定轴承故障冲击周期估计值。

其中，所述轴承故障冲击周期估计值确定模块604，具体包括：

故障特征频率理论值确定单元，用于根据所述滚动轴承的节圆直径、滚动体数量、滚动体直径、接触角和旋转频率确定故障特征频率理论值。

轴承故障冲击周期理论值确定单元，用于根据采样频率和所述故障特征频率理论值确定轴承故障冲击周期理论值。

轴承故障冲击周期估计值确定单元，用于根据所述轴承故障冲击周期理论值和所述增强包络自相关函数的极大值点确定轴承故障冲击周期估计值。

二进制周期序列构建模块605，用于根据所述轴承故障冲击周期估计值构建二进制周期序列；

组稀疏模型构建模块606，用于将所述二进制周期序列嵌入弹性网作为约束条件，将L_0.5范数作为惩罚函数，根据所述振动信号构建组稀疏模型；其中，所述组稀疏模型为：

其中，x^*为组稀疏模型，R^N表示欧式空间；y表示振动信号，x是组稀疏模型输出的降噪结果，λ为第一正则化参数，γ为第二正则化参数，ψ为索引集，ψ＝{1,2,...,N}，θ(x,B,n)为弹性网函数，ξ是弹性网平衡参数，||·||表示范数，

表示非凸罚函数，c是控制惩罚项非凸度的常数，θ(x,B,n)表示弹性网函数，K为二进制周期序列B的长度，B_k表示二进制周期序列B中的第k个数值；x_n+k表示降噪结果x中的第n+k个数值。

降噪信号确定模块607，用于将所述振动信号输入所述组稀疏模型，确定降噪信号；其中，所述降噪信号确定模块607，具体包括：降噪信号确定单元，用于将所述振动信号输入所述组稀疏模型，利用优化最小算法对所述组稀疏模型进行迭代求解，确定降噪信号。

滚动轴承故障特征信息确定模块608，用于对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。

其中，所述滚动轴承故障特征信息确定模块608，具体包括：

增强包络解调单元，用于对所述降噪信号进行增强包络解调确定所述降噪信号的增强包络。

傅里叶变换单元，用于对所述降噪信号的增强包络进行傅里叶变换确定所述降噪信号的解调包络谱。

滚动轴承故障特征信息确定单元，用于根据所述解调包络谱确定滚动轴承故障特征信息。

本发明实施例的效果分析：

首先利用原始信号的增强包络自相关估计故障冲击周期估计值

并构造二进制周期序列B，并作为结构先验信息嵌入所提模型，约束每个稀疏组内原子的周期性；然后，利用优化最小算法求解稀疏模型，并对降噪信号计算增强包络，通过解调包络谱得到故障特征频率及其倍频成分，实现滚动轴承故障诊断。

1)根据滚动轴承的故障机理及振动响应特点，利用如下公式构造含有噪声的周期冲击信号来模拟滚动轴承的振动响应，信号波形如图3。

式中，n(t)为噪声标准差为0.3的高斯白噪声，采样频率f_s＝12800Hz，故障频率f_c＝90Hz，即冲击周期T＝1/f_c(＝f_s/f_c个数据点)，系统共振频率f_n＝3200Hz，信号长度为12800个数据点。

2)计算离散信号y(n)的增强包络Ey(n)及其自相关函数R_Ey(τ)，并结合冲击周期的理论值f_s/f_c＝12800/90＝142.22，得到冲击周期的最佳估计值为

3)利用冲击周期的最佳估计值

来构造一个周期为142、长度为

的二进制周期序列B，其中每个周期内的“1”元素的个数为N₁＝4，“0”元素的个数为

4)将离散信号y(n)作为所构造的周期指导组稀疏模型的输入，设定模型参数分别为λ＝0.15，ξ＝0.7和γ＝0.07，非凸罚参数c＝1/(16λ)，算法迭代次数N_iter＝100；利用最小优化算法求解周期指导的组稀疏模型，得到的降噪信号如图4所示；可以看出，降噪后信号的周期冲击特征非常明显。对图4所示的时域信号进行增强包络解调，得到的解调包络谱如图5所示；从解调包络谱中可以清晰地观察到故障特征频率及其倍频分量。

本发明利用滚动轴承故障脉冲在时域的结构稀疏特性，构造了一个由弹性网和L_0.5范数相结合的罚函数，综合利用L₁范数和L₂范数对稀疏特征的表征能力；利用原始信号的增强包络自相关函数来估计轴承故障冲击周期来构造二进制周期序列，通过将二进制周期序列嵌入罚函数，增加了稀疏模型对故障特征提取精度。一方面利用结合周期先验的弹性网约束可有效筛选组内高度相关的特征信息，另一方面采用非凸的L_0.5范数来约束组间元素，进一步诱导估计信号在时域的稀疏性，使得所提模型具有组内组间稀疏性，更好地提取微弱周期冲击特征；采用了增强包络自相关函数函数来动态估计轴承故障冲击周期，并利用该周期构造二进制周期序列，作为组稀疏模型的结构约束项，进一步提高了轴承故障特征的提取精度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。

Claims (10)

1.一种基于周期指导组稀疏模型的滚动轴承故障诊断方法，其特征在于，包括：

获取滚动轴承的振动信号；

根据所述振动信号确定所述振动信号的增强包络；

根据所述增强包络和所述振动信号确定增强包络自相关函数；

根据所述增强包络自相关函数确定轴承故障冲击周期估计值；

根据所述轴承故障冲击周期估计值构建二进制周期序列；

将所述二进制周期序列嵌入弹性网作为约束条件，将L_0.5范数作为惩罚函数，根据所述振动信号构建组稀疏模型；

将所述振动信号输入所述组稀疏模型，确定降噪信号；

对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。

2.根据权利要求1所述的基于周期指导组稀疏模型的滚动轴承故障诊断方法，其特征在于，所述根据所述增强包络自相关函数确定轴承故障冲击周期估计值，具体包括：

根据所述滚动轴承的节圆直径、滚动体数量、滚动体直径、接触角和旋转频率确定故障特征频率理论值；

根据采样频率和所述故障特征频率理论值确定轴承故障冲击周期理论值；

根据所述轴承故障冲击周期理论值和所述增强包络自相关函数的极大值点确定轴承故障冲击周期估计值。

3.根据权利要求1所述的基于周期指导组稀疏模型的滚动轴承故障诊断方法，其特征在于，所述组稀疏模型为：

其中，x^*为组稀疏模型，R^N表示欧式空间；y表示振动信号，x是组稀疏模型输出的降噪结果，λ为第一正则化参数，γ为第二正则化参数，ψ为索引集，ψ＝{1,2,...,N}，

为弹性网函数，ξ是弹性网平衡参数，||·||表示范数，

表示非凸罚函数，c是控制惩罚项非凸度的常数，

表示弹性网函数，K为二进制周期序列B的长度，B_k表示二进制周期序列B中的第k个数值；x_n+k表示降噪结果x中的第n+k个数值。

4.根据权利要求1所述的基于周期指导组稀疏模型的滚动轴承故障诊断方法，其特征在于，所述将所述振动信号输入所述组稀疏模型，确定降噪信号，具体包括：

将所述振动信号输入所述组稀疏模型，利用优化最小算法对所述组稀疏模型进行迭代求解，确定降噪信号。

5.根据权利要求1所述的基于周期指导组稀疏模型的滚动轴承故障诊断方法，其特征在于，所述对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息，具体包括：

对所述降噪信号进行增强包络解调确定所述降噪信号的增强包络；

对所述降噪信号的增强包络进行傅里叶变换确定所述降噪信号的解调包络谱；

根据所述解调包络谱确定滚动轴承故障特征信息。

6.一种基于周期指导组稀疏模型的滚动轴承故障诊断系统，其特征在于，包括：

获取模块，用于获取滚动轴承的振动信号；

增强包络确定模块，用于根据所述振动信号确定所述振动信号的增强包络；

增强包络自相关函数确定模块，用于根据所述增强包络和所述振动信号确定增强包络自相关函数；

轴承故障冲击周期估计值确定模块，用于根据所述增强包络自相关函数确定轴承故障冲击周期估计值；

二进制周期序列构建模块，用于根据所述轴承故障冲击周期估计值构建二进制周期序列；

组稀疏模型构建模块，用于将所述二进制周期序列嵌入弹性网作为约束条件，将L_0.5范数作为惩罚函数，根据所述振动信号构建组稀疏模型；

降噪信号确定模块，用于将所述振动信号输入所述组稀疏模型，确定降噪信号；

滚动轴承故障特征信息确定模块，用于对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。

7.根据权利要求6所述的基于周期指导组稀疏模型的滚动轴承故障诊断系统，其特征在于，所述轴承故障冲击周期估计值确定模块，具体包括：

故障特征频率理论值确定单元，用于根据所述滚动轴承的节圆直径、滚动体数量、滚动体直径、接触角和旋转频率确定故障特征频率理论值；

轴承故障冲击周期理论值确定单元，用于根据采样频率和所述故障特征频率理论值确定轴承故障冲击周期理论值；

轴承故障冲击周期估计值确定单元，用于根据所述轴承故障冲击周期理论值和所述增强包络自相关函数的极大值点确定轴承故障冲击周期估计值。

8.根据权利要求6所述的基于周期指导组稀疏模型的滚动轴承故障诊断系统，其特征在于，所述组稀疏模型为：

其中，x^*为组稀疏模型，R^N表示欧式空间；y表示振动信号，x是组稀疏模型输出的降噪结果，λ为第一正则化参数，γ为第二正则化参数，ψ为索引集，ψ＝{1,2,...,N}，

为弹性网函数，ξ是弹性网平衡参数，||·||表示范数，

表示非凸罚函数，c是控制惩罚项非凸度的常数，

表示弹性网函数，K为二进制周期序列B的长度，B_k表示二进制周期序列B中的第k个数值；x_n+k表示降噪结果x中的第n+k个数值。

9.根据权利要求6所述的基于周期指导组稀疏模型的滚动轴承故障诊断系统，其特征在于，所述降噪信号确定模块，具体包括：

降噪信号确定单元，用于将所述振动信号输入所述组稀疏模型，利用优化最小算法对所述组稀疏模型进行迭代求解，确定降噪信号。

10.根据权利要求6所述的基于周期指导组稀疏模型的滚动轴承故障诊断系统，其特征在于，所述滚动轴承故障特征信息确定模块，具体包括：

增强包络解调单元，用于对所述降噪信号进行增强包络解调确定所述降噪信号的增强包络；

傅里叶变换单元，用于对所述降噪信号的增强包络进行傅里叶变换确定所述降噪信号的解调包络谱；

滚动轴承故障特征信息确定单元，用于根据所述解调包络谱确定滚动轴承故障特征信息。

Images