CN114722520A - 基于增强字典学习的行星轴承智能故障诊断方法 - Google Patents

基于增强字典学习的行星轴承智能故障诊断方法 Download PDF

Info

Publication number
CN114722520A
CN114722520A CN202210262593.3A CN202210262593A CN114722520A CN 114722520 A CN114722520 A CN 114722520A CN 202210262593 A CN202210262593 A CN 202210262593A CN 114722520 A CN114722520 A CN 114722520A
Authority
CN
China
Prior art keywords
dictionary
health state
sub
bearing
sparse
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.)
Pending
Application number
CN202210262593.3A
Other languages
English (en)
Inventor
孔运
褚福磊
王天杨
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202210262593.3A priority Critical patent/CN114722520A/zh
Publication of CN114722520A publication Critical patent/CN114722520A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种基于增强字典学习的行星轴承智能故障诊断方法，属于智能机械设备技术领域，通过采用考虑健康状态的子字典学习算法以及基于稀疏重构误差最小判别准则的健康状态智能识别策略，能够准确识别行星轴承的不同健康状态；本发明的一种基于增强字典学习的行星轴承智能故障诊断方法克服了传统方法的依赖于微弱故障特征频率的精确辨识、易受制造误差与干扰的影响以及难以实现行星轴承健康状态鲁棒智能识别的不足，为含行星传动系统机械装备的故障诊断与健康管理提供技术支撑。

Description

基于增强字典学习的行星轴承智能故障诊断方法
技术领域
本发明属于智能机械设备领域，具体涉及一种基于增强字典学习的行星轴承智能故障诊断方法。
背景技术
行星传动系统具有空间紧凑、传动比大、承载能力强等优点，广泛应用于直升机、风力发电机组、齿轮传动涡轮风扇发动机等重大机械装备的传动系统。由于长期承受重载、多变载荷且工况严苛恶劣等服役环境，行星传动系统极易发生部件损伤，轻则导致系统无法正常安全可靠服役，重则造成重大经济损失乃至灾难性安全事故。而行星轴承作为行星传动系统的核心部件，其状态监测与故障诊断技术，在航空发动机、风力发电机组、直升机等重大高端机械装备的减少重大安全事故、大大节约装备的运行维护成本等方面具有重要意义。但是，行星轴承的状态和故障诊断一直是困扰机械系统动态监测、诊断与维护领域的重要难题。
现有的行星轴承智能故障诊断方法主要包括幅值-频率联合解调分析方法(Feng等人，2016)、基于谱峭度比值的SKRgram方法(Wang等人，2016)、基于谱负熵的解调分析方法(Feng等人，2017)、多点最优最小熵解卷积方法(Ma等人，2019)、一种基于基尼指标改进的SKRgram方法(CN 107525672B)等，均是基于先进信号处理方法，提取行星轴承微弱故障的重复性冲击特征，通过检测行星轴承局部故障对应的微弱故障特征频率，以辨识行星轴承故障的位置。
但是，现有的行星轴承智能故障诊断方法仍然存在以下弊端：
1)对微弱故障特征频率的精确辨识的依赖性过强；
2)易受制造误差与干扰的影响；进而导致难以实现行星轴承健康状态的鲁棒智能识别。
因此，亟需一种不依赖于微弱故障特征频率辨识的鲁棒的基于增强字典学习的行星轴承智能故障诊断方法。
发明内容
本发明提供一种基于增强字典学习的行星轴承智能故障诊断方法、系统、电子设备以及存储介质，用以克服现有技术中存在的至少一个技术问题。
为实现上述目的，本发明提供一种基于增强字典学习的行星轴承智能故障诊断方法，方法包括：
采集待检测的行星轴承的振动数据；
根据所采集的待检测的行星轴承的振动数据，确定待检测样本；
根据所述待检测样本和预获取的不同的行星轴承健康状态的优化子字典矩阵，确定所述待检测样本对于所述不同的行星轴承健康状态的优化子字典矩阵的稀疏编码；并根据不同的行星轴承健康状态的优化子字典矩阵和稀疏编码，确定所述待检测样本的稀疏重构误差；
通过基于稀疏重构误差最小判别准则的健康状态智能识别策略，确定待检测样本的最小稀疏重构误差；并根据所述最小稀疏重构误差对应的优化子字典矩阵的健康状态类标，判定所述待检测的行星轴承的健康状态。
进一步，优选的，通过基于稀疏重构误差最小判别准则的健康状态智能识别策略，确定待检测样本的最小稀疏重构误差；并根据所述最小稀疏重构误差对应的优化子字典矩阵的健康状态类标，判定所述待检测的行星轴承的健康状态的步骤，通过以下公式实现：
Figure BDA0003551106690000021
其中，label(zi)为待检测信号zi的健康状态类标；
Figure BDA0003551106690000022
为稀疏重构误差；zi为待检测信号；
Figure BDA0003551106690000023
为优化子字典矩阵；
Figure BDA0003551106690000024
为待检测信号zi关于优化子字典矩阵
Figure BDA0003551106690000025
的稀疏编码；其中，l＝1,2,...,L；L为行星轴承健康状态的种类。
进一步，优选的，所述优化子字典矩阵的获取方法包括，
获取行星轴承在不同运行健康状态下的振动数据，并形成训练振动数据集；
利用交叠分割策略对所述训练振动数据集进行数据集增强，确定各个行星轴承健康状态对应的训练信号矩阵；
利用各个行星轴承健康状态对应的训练信号矩阵构建初始化子字典矩阵；直至初始化子字典矩阵的健康状态索引值等于行星轴承健康状态的种类；
利用K-SVD字典学习算法，对所述初始化子字典矩阵进行迭代更新，并获取各个行星轴承健康状态对应的优化子字典矩阵。
进一步，优选的，利用K-SVD字典学习算法，对所述初始化子字典矩阵进行迭代更新，并获取各个行星轴承健康状态对应的优化子字典矩阵的方法，包括，
设定当前健康状态索引值l为1；
设定当前迭代次数J为1；
对健康状态对应的当前子字典矩阵进行固定，利用正交匹配追踪算法，获取健康状态对应的训练信号矩阵对健康状态对应的当前子字典矩阵的当前稀疏编码矩阵；
对当前子字典矩阵和当前稀疏编码矩阵，基于子字典学习的优化目标函数进行更新，获取行星轴承健康状态对应的更新的当前优化子字典矩阵；
更新当前迭代次数J＝J+1，重复上述稀疏编码与字典更新步骤，直至当前迭代次数J达到设定迭代次数，获取行星轴承健康状态对应的最终的优化子字典矩阵；
更新当前健康状态索引值l＝l+1，重复上述步骤，直至健康状态索引值l等于行星轴承健康状态的种类L，获得各个行星轴承健康状态对应的最终的优化子字典矩阵；
其中，对当前子字典矩阵和当前稀疏编码矩阵，基于子字典学习的优化目标函数进行更新的方法包括，对当前子字典矩阵的字典原子进行逐列更新和对当前稀疏编码矩阵中与所述字典原子对应的稀疏编码系数进行逐行更新。
进一步，优选的，各个行星轴承健康状态对应的优化子字典矩阵通过如下公式获取：
对于l＝1,2,…,L,
Figure BDA0003551106690000031
其中，Yl为行星轴承健康状态l对应的训练信号矩阵，
Figure BDA0003551106690000032
为训练信号矩阵Yl稀疏表示的优化子字典矩阵，
Figure BDA0003551106690000041
为训练信号矩阵Yl稀疏表示的优化稀疏编码矩阵，Dl＝[dl,1,…,dl,k,…,dl,K]，Xl＝[xl,1,…,xl,n,…,xl,N]，K为字典尺寸，T为稀疏阈值，L为行星轴承健康状态的种类。
进一步，优选的，利用交叠分割策略对所述训练振动数据集进行数据集增强，确定各个行星轴承健康状态对应的训练信号矩阵，通过以下公式实现：
对于l＝1,2,…,L,Yl＝Γ(yl)＝[Γ1(yl),…,Γn(yl),…,ΓN(yl)]∈RW×N.
其中，{yl}(l＝1,...,L)为行星轴承健康状态l对应的训练振动数据集，L为行星轴承健康状态的种类，Γ:R1×m→RW×N为重叠分割算子，N为训练信号矩阵Yl的列数，W为窗长参数。
进一步，优选的，根据所述待检测样本和预获取的不同的行星轴承健康状态的优化子字典矩阵，确定所述待检测样本对于所述不同的行星轴承健康状态的优化子字典矩阵的稀疏编码，通过以下公式实现：
对于l＝1,2,…,L,
Figure BDA0003551106690000042
其中，zi为待检测样本，
Figure BDA0003551106690000043
为优化子字典矩阵，
Figure BDA0003551106690000044
为待检测样本zi关于优化子字典矩阵
Figure BDA0003551106690000045
的稀疏编码，T为稀疏阈值，L为行星轴承健康状态的种类。
进一步，优选的，根据不同的行星轴承健康状态的优化子字典矩阵和稀疏编码，确定所述待检测样本的稀疏重构误差，通过以下公式实现：
对于l＝1,2,…,L,
Figure BDA0003551106690000046
其中，zi为待检测样本，
Figure BDA0003551106690000047
为优化子字典矩阵，
Figure BDA0003551106690000048
为待检测样本zi关于优化子字典矩阵
Figure BDA0003551106690000049
的稀疏编码，
Figure BDA00035511066900000410
为待检测样本zi关于优化子字典矩阵
Figure BDA00035511066900000411
的稀疏重构误差，L为行星轴承健康状态的种类。
为了解决上述问题，本发明还提供一种基于增强字典学习的行星轴承智能故障诊断系统，包括：
采集单元，用于采集待检测的行星轴承的振动数据；
数据处理单元，用于根据所采集的待检测的行星轴承的振动数据，确定待检测样本；根据所述待检测样本和预获取的不同的行星轴承健康状态的优化子字典矩阵，确定所述待检测样本对于所述不同的行星轴承健康状态的优化子字典矩阵的稀疏编码；并根据不同的行星轴承健康状态的优化子字典矩阵和稀疏编码，确定所述待检测样本的稀疏重构误差；
行星轴承健康状态判定单元，用于通过基于稀疏重构误差最小判别准则的健康状态智能识别策略，确定待检测样本的最小稀疏重构误差；并根据所述最小稀疏重构误差对应的优化子字典矩阵的健康状态类标，判定所述待检测的行星轴承的健康状态。
为了解决上述问题，本发明还提供一种电子设备，电子设备包括：
存储器，存储至少一个指令；及
处理器，执行存储器中存储的指令以实现上述所述的基于增强字典学习的行星轴承智能故障诊断方法中的步骤。
本发明的一种基于增强字典学习的行星轴承智能故障诊断方法、系统、电子设备以及存储介质，通过采集待检测的行星轴承的振动数据；根据所采集的待检测的行星轴承的振动数据，确定待检测样本；根据待检测样本和预获取的不同的行星轴承健康状态的优化子字典矩阵，确定待检测样本对于不同的行星轴承健康状态的优化子字典矩阵的稀疏编码；并根据不同的行星轴承健康状态的优化子字典矩阵和稀疏编码，确定所述待检测样本的稀疏重构误差；通过基于稀疏重构误差最小判别准则的健康状态智能识别策略，确定待检测样本的最小稀疏重构误差；并根据最小稀疏重构误差对应的优化子字典矩阵的健康状态类标，判定待检测的行星轴承的健康状态；具有有益效果如下：
1)通过提出一种基于增强字典学习-稀疏分类的行星轴承故障诊断方法，可以在不依赖于行星轴承局部故障微弱特征频率的辨识的前提下，实现对行星轴承健康状态的鲁棒智能辨识；
2)通过采用考虑健康状态的子字典学习算法，以数据驱动的方式自适应学习不同行星轴承健康状态的训练数据稀疏表示的优化子字典，增强了优化子字典的重构功能，并且实现了对行星轴承健康状态的智能诊断的同时具有良好的抗噪鲁棒性的技术效果；
3)通过采用基于稀疏重构误差最小判别准则的健康状态智能识别策略，能够准确识别行星轴承的不同健康状态，达到了无须依赖任何显式分类器模型且摆脱了繁琐的特征工程设计与选择步骤的技术效果；
4)特别适用于恒定运行工况下行星轴承健康状态的智能识别，能够对不同行星轴承健康状态进行准确辨识；克服了传统方法的依赖于微弱故障特征频率的精确辨识、易受制造误差与干扰的影响以及难以实现行星轴承健康状态鲁棒智能识别的不足，为含行星传动系统机械装备的故障诊断与健康管理提供技术支撑。
附图说明
图1为根据本发明实施例的基于增强字典学习的行星轴承智能故障诊断方法的流程示意图；
图2为根据本发明实施例的基于增强字典学习的行星轴承智能故障诊断方法的原理示意图；
图3为根据本发明实施例的基于增强字典学习的行星轴承智能故障诊断方法的行星轴承健康状态识别效果图；
图4为根据本发明实施例的基于增强字典学习的行星轴承智能故障诊断方法的抗噪性能效果图；
图5为根据本发明实施例的基于增强字典学习的行星轴承智能故障诊断方法的诊断精度的效果对比图；
图6为根据本发明实施例的基于增强字典学习的行星轴承智能故障诊断系统的逻辑结构框图；
图7为根据本发明实施例的实现基于增强字典学习的行星轴承智能故障诊断方法的电子设备的内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。本发明中的人工智能软件技术为谱集成稀疏识别技术。
名词解释：
稀疏表示，用一个M行N列的矩阵表示数据集Y，每一列代表一个样本，每一行代表样本的一个属性，一般而言，该矩阵是稠密的，即大多数元素不为0。稀疏表示的含义是，寻找一个系数矩阵X(K行N列)以及一个字典矩阵D(M行K列)，使得矩阵乘积DX尽可能的还原Y，且X尽可能的稀疏。X便是Y的稀疏表示系数矩阵。
字典学习(Dictionary Learning)，假设给定样本数据集X，X的每一列表示一个样本；字典学习的目标是把X矩阵分解成D、Z矩阵，同时满足约束条件：Z尽可能稀疏，同时D的每一列是一个归一化向量，D称之为字典，D的每一列称之为原子；Z称之为编码矢量、特征、系数矩阵。
K-SVD字典学习算法，K-SVD可以看做K-means的一种泛化形式；K-SVD中每个信号是用多个原子的线性组合来表示的；K-SVD通过构建字典来对数据进行稀疏表示。算法求解思路为交替迭代地进行稀疏编码和字典更新两个步骤；K-SVD在构建字典步骤中，K-SVD不仅仅将原子依次更新，对于原子对应的稀疏编码矩阵中行向量也依次进行了修正；得到了一个新的原子和修正的系数向量。
具体的，作为示例，图1为本发明一实施例提供的基于增强字典学习的行星轴承智能故障诊断方法的流程示意图。参照图1所示，本发明提供一种基于增强字典学习的行星轴承智能故障诊断方法，该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。基于增强字典学习的行星轴承智能故障诊断方法包括：步骤S110～S140。
具体地说，S110、采集待检测的行星轴承的振动数据；S120、根据所采集的待检测的行星轴承的振动数据，确定待检测样本；S130、根据待检测样本和预获取的不同的行星轴承健康状态的优化子字典矩阵，确定待检测样本对于不同的行星轴承健康状态的优化子字典矩阵的稀疏编码；并根据不同的行星轴承健康状态的优化子字典矩阵和稀疏编码，确定待检测样本的稀疏重构误差；S140、通过基于稀疏重构误差最小判别准则的健康状态智能识别策略，确定待检测样本的最小稀疏重构误差；并根据最小稀疏重构误差对应的优化子字典矩阵的健康状态类标，判定待检测的行星轴承的健康状态。
图2为根据本发明实施例的基于增强字典学习的行星轴承智能故障诊断方法的原理示意图；如图2所示，针对现有技术在旋转机械结构复杂的场景中，存在依赖于微弱故障特征频率的精确辨识、易受制造误差与干扰的影响以及难以实现行星轴承健康状态鲁棒智能识别等问题。本发明的基于增强字典学习的行星轴承智能故障诊断方法包括3个部分，1、数据采集；2、考虑健康状态的子字典学习；3、基于稀疏重构误差的智能诊断策略。
具体地说，在数据采集过程中，通过获取机械装备在不同运行健康状态下的训练数据集和测试数据集；在具体的执行过程中，通过将振动加速传感器安装于行星传动系统的箱体外壳处，利用振动加速传感器采集不同行星轴承健康状态下的数据形成数据集；并将数据集分为训练数据集和测试数据集。
在训练样本与测试样本的构造过程中，将训练振动数据集采用交叠分割策略，对训练振动数据集进行增强，构造为不同健康状态下的训练信号样本{yl}，进而获取不同健康状态下的训练信号矩阵{Yl}；L为健康状态的种类。将测试数据集采用交叠分割策略构造为测试信号样本{zi}。
在考虑健康状态的子字典学习的设计过程中，依据训练信号矩阵构造初始化子字典矩阵，进而通过数据驱动的方式自适应学习不同行星轴承健康状态的训练数据稀疏表示的优化子字典矩阵。不断依据训练信号矩阵构造初始化子字典矩阵，并将当前子字典矩阵优化至优化子字典矩阵，直至优化子字典矩阵的健康状态索引值l＝L，最终输出L个优化子字典矩阵
Figure BDA0003551106690000081
具体地说，设置健康状态索引值l＝1；构造优化子字典矩阵
Figure BDA0003551106690000082
利用健康状态索引值l与行星轴承健康状态的种类L是否相等，判定是否继续进行优化子字典矩阵的构造；若优化子字典矩阵
Figure BDA0003551106690000083
的健康状态索引值l＝L，则停止构造优化子字典矩阵
Figure BDA0003551106690000084
并输出L个优化子字典矩阵
Figure BDA0003551106690000085
若优化子字典矩阵
Figure BDA0003551106690000091
的健康状态索引值l＜L，则更新健康状态索引值l＝l+1，并返回步骤构造优化子字典矩阵
Figure BDA0003551106690000092
需要说明的是，在构造优化子字典矩阵
Figure BDA0003551106690000093
的过程中，需要先依据健康状态l的训练信号矩阵Yl构造初始化子字典矩阵
Figure BDA0003551106690000094
然后利用K-SVD字典学习算法对初始化子字典矩阵
Figure BDA0003551106690000095
进行迭代优化，设置迭代次数为J＝1；先将当前子字典矩阵
Figure BDA0003551106690000096
进行固定，采用正交匹配追踪算法获取训练信号矩阵对当前子字典矩阵的当前稀疏编码矩阵
Figure BDA0003551106690000097
再采用SVD算法对当前子字典矩阵
Figure BDA0003551106690000098
的字典原子进行逐列更新，并对所述字典原子对应的稀疏编码系数进行逐行更新；对当前子字典矩阵和当前稀疏编码矩阵，基于子字典学习的优化目标函数进行迭代更新，直至当前迭代次数J达到设定迭代次数Jmax，获取行星轴承健康状态l对应的最终的优化子字典矩阵
Figure BDA0003551106690000099
在基于稀疏重构误差的智能诊断过程中，通过待测试信号样本zi关于所有L个优化的子字典矩阵
Figure BDA00035511066900000910
的稀疏编码
Figure BDA00035511066900000911
计算待测试信号zi关于所有L个特定行星轴承健康状态的优化子字典矩阵
Figure BDA00035511066900000912
的稀疏重构误差
Figure BDA00035511066900000913
具体地说，设置健康状态索引值l＝1；不断计算待测试信号zi关于行星轴承健康状态的优化子字典矩阵
Figure BDA00035511066900000914
的稀疏编码和稀疏重构误差
Figure BDA00035511066900000915
直至待测试信号zi的稀疏重构误差
Figure BDA00035511066900000916
的健康状态索引值l＝L，最终输出待测试信号zi的L个稀疏重构误差
Figure BDA00035511066900000917
也就是说，利用健康状态索引值l与L是否相等，判定是否继续计算待测试信号关于优化子字典矩阵
Figure BDA00035511066900000918
的稀疏编码和稀疏重构误差；若稀疏重构误差的健康状态索引值l＝L，则停止计算，输出待测试信号关于所有优化子字典矩阵的L个稀疏重构误差；若稀疏重构误差的健康状态索引值l＜L，则更新健康状态索引值l＝l+1，并返回步骤计算待测试信号关于行星轴承健康状态l的优化子字典矩阵
Figure BDA00035511066900000919
的稀疏编码和稀疏重构误差。
最后，在健康状态的智能识别过程中，根据基于稀疏重构误差最小判别准则的健康状态智能识别策略，确定待测试信号样本的最小稀疏重构误差；根据最小稀疏重构误差对应的优化子字典矩阵的健康状态类标，获取待测试信号样本的健康状态类标，进而通过测试信号样本的健康状态类标辨识行星轴承的待测试信号的健康状态。
在具体的实施过程中，基于增强字典学习的行星轴承智能故障诊断方法包括：步骤S110～S140。
S110、采集待检测的行星轴承的振动数据。
S120、根据所采集的待检测的行星轴承的振动数据，确定待检测样本。
采用交叠分割策略，根据所采集的待检测的行星轴承的振动数据z，确定待检测样本{zi}。
测试信号样本zi的表达式如下：
zi＝Γi(z)＝zT(istart:iend)∈RW×1
其中，索引istart与iend的确定方式如下：
Figure BDA0003551106690000101
Figure BDA0003551106690000102
其中，
Figure BDA0003551106690000103
为向下取整算子；Γ:R1×m→RW×N为重叠分割算子；W为窗长参数；δ为重叠率参数。
S130、根据待检测样本和预获取的不同的行星轴承健康状态的优化子字典矩阵，确定待检测样本对于不同的行星轴承健康状态的优化子字典矩阵的稀疏编码；并根据不同的行星轴承健康状态的优化子字典矩阵和稀疏编码，确定待检测样本的稀疏重构误差。
通过采用考虑健康状态的子字典学习算法，以数据驱动的方式自适应学习不同行星轴承健康状态的训练数据稀疏表示的优化子字典，增强了优化子字典的重构功能，并且实现了对行星轴承健康状态的智能诊断的同时具有良好的抗噪鲁棒性的技术效果。
所述优化子字典矩阵的获取方法包括步骤S131～S134。
S131、获取行星轴承在不同运行健康状态下的振动数据，并形成训练振动数据集。
S132、利用交叠分割策略对所述训练振动数据集进行数据集增强，确定各个行星轴承健康状态对应的训练信号矩阵。
在具体的实施过程中，首先设置交叠分割策略；选取合适的窗长参数W与重叠率参数δ，设计一维振动信号的分割算子Γn:R1×m→RW×1与重叠分割算子Γ:R1×m→RW×N；
Γ＝[Γ1,…,Γn,…,ΓN]
分割算子Γn实现对一维振动信号y∈R1×m(m为振动信号y的数据长度)中特定数据段的提取，即Γn(y)＝yT(in,start:in,end)；重叠分割算子Γ实现一维振动信号y∈R1×m到二维健康状态矩阵的变换。
具体地说，索引istart与iend的确定方式如下：
Figure BDA0003551106690000111
Figure BDA0003551106690000112
其中，
Figure BDA0003551106690000113
为向下取整算子。
然后，利用设置的交叠分割策略对L种行星轴承健康状态对应的训练振动数据集{yl}(l＝1,...,L)进行增强，构造L种不同行星轴承健康状态下的训练信号矩阵Yl。L种不同行星轴承健康状态可以包括，行星轴承正常、行星轴承外圈故障、行星轴承内圈故障、行星轴承滚动体故障。
利用交叠分割策略对所述训练振动数据集进行数据集增强，确定各个行星轴承健康状态对应的训练信号矩阵，通过以下公式实现：
对于l＝1,2,…,L,Yl＝Γ(yl)＝[Γ1(yl),…,Γn(yl),…,ΓN(yl)]∈RW×N,
其中，{yl}(l＝1,...,L)为行星轴承健康状态l对应的训练振动数据集，L为行星轴承健康状态的种类，Γ:R1×m→RW×N为重叠分割算子，N为训练信号矩阵Yl的列数，W为窗长参数。
训练信号矩阵的列数N的确定通过以下公式实现：
Figure BDA0003551106690000114
其中，round(·)为取整算子，
Figure BDA0003551106690000115
为向下取整算子。
S133、利用各个行星轴承健康状态对应的训练信号矩阵构建初始化子字典矩阵；直至初始化子字典矩阵的健康状态索引值等于行星轴承健康状态的种类。
在具体的实施过程中，利用各个行星轴承健康状态对应的训练信号矩阵构建初始化子字典矩阵，就是对各个行星轴承健康状态对应的训练信号矩阵Yl进行逐列L2范数归一化，分别用于初始化L个特定健康状态的初始化子字典矩阵
Figure BDA0003551106690000116
通过以下公式实现：
对于l＝1,2,,…,L,
Figure BDA0003551106690000117
其中，normalize(·)表示对矩阵进行逐列L2范数归一化操作。
S134、利用K-SVD字典学习算法，对所述初始化子字典矩阵进行迭代更新，并获取各个行星轴承健康状态对应的优化子字典矩阵。
总的来说，是通过用考虑健康状态的子字典学习算法，学习不同行星轴承健康状态下训练数据集稀疏表示的优化子字典矩阵的过程。
各个行星轴承健康状态对应的优化子字典矩阵通过如下公式获取：
对于l＝1,2,…,L,
Figure BDA0003551106690000121
其中，Yl为行星轴承健康状态l对应的训练信号矩阵，
Figure BDA0003551106690000122
为训练信号矩阵Yl稀疏表示的优化子字典矩阵，
Figure BDA0003551106690000123
为训练信号矩阵Yl稀疏表示的优化稀疏编码矩阵，Dl＝[dl,1,…,dl,k,…,dl,K]，Xl＝[xl,1,…,xl,n,…,xl,N]，K为字典尺寸，T为稀疏阈值，L为行星轴承健康状态的种类。
具体地说，K-SVD字典学习算法包含如下稀疏编码与字典更新两个子程序。在一个具体的实施例中，利用K-SVD字典学习算法，对所述初始化子字典矩阵进行迭代更新，并获取各个行星轴承健康状态对应的优化子字典矩阵的方法，包括步骤S1341～S1346。
S1341、设定当前健康状态索引值l为1。
S1342、设定当前迭代次数J为1。
S1343、对健康状态对应的当前子字典矩阵进行固定，利用正交匹配追踪算法，获取健康状态对应的训练信号矩阵对健康状态对应的当前子字典矩阵的当前稀疏编码矩阵。
也就是说固定当前子字典矩阵
Figure BDA0003551106690000124
采用正交匹配追踪算法求解训练信号矩阵Yl的稀疏编码
Figure BDA0003551106690000125
即求解以下稀疏编码问题：
固定
Figure BDA0003551106690000126
S1344、对当前子字典矩阵和当前稀疏编码矩阵，基于子字典学习的优化目标函数进行更新，获取行星轴承健康状态对应的更新的当前优化子字典矩阵。
其中，对当前子字典矩阵和当前稀疏编码矩阵，基于子字典学习的优化目标函数进行更新的方法包括，对当前子字典矩阵的字典原子进行逐列更新和对当前稀疏编码矩阵中与所述字典原子对应的稀疏编码系数进行逐行更新。
在具体的实施过程中，逐列更新当前子字典矩阵中的列dl,k(即字典原子)，并逐行更新当前稀疏编码矩阵中与字典原子dl,k相对应的稀疏编码系数
Figure BDA0003551106690000131
其中，子字典学习的优化目标函数可以改写为：
Figure BDA0003551106690000132
其中，
Figure BDA0003551106690000133
为当前稀疏编码矩阵
Figure BDA0003551106690000134
的第k行。通过固定El,k，可以逐列优化更新当前子字典矩阵的列dl,k并逐行优化更新相应的稀疏编码系数
Figure BDA0003551106690000135
需要说明的是，在具体的实施过程中，为了保持稀疏编码
Figure BDA0003551106690000136
的稀疏结构，仅仅优化更新
Figure BDA0003551106690000137
的非零元素。记
Figure BDA0003551106690000138
为稀疏编码系数
Figure BDA0003551106690000139
的非零部分，
Figure BDA00035511066900001310
为El,k中忽略与
Figure BDA00035511066900001311
的零元素所相对应列后的结果。进而，字典原子dl,k与稀疏编码
Figure BDA00035511066900001312
的优化问题可简写为：
Figure BDA00035511066900001313
需要说明的是，上式为矩阵的秩1优化问题，其闭式解可以由矩阵
Figure BDA00035511066900001314
的奇异值分解SVD得到。
若记
Figure BDA00035511066900001315
的奇异值分解为
Figure BDA00035511066900001316
则字典原子dl,k与稀疏编码
Figure BDA00035511066900001317
可以按照下式更新：
dl,k＝U(:,1),
Figure BDA00035511066900001318
总之，可以通过从第1列至第K列逐列优化字典原子dl,k，最终得到更新的当前子字典矩阵
Figure BDA00035511066900001319
S1345、更新当前迭代次数J＝J+1，重复上述稀疏编码与字典更新两个子程序(即S1343与S1344)，直至当前迭代次数J达到设定最大迭代次数Jmax，输出行星轴承健康状态l对应的最终的优化子字典矩阵
Figure BDA00035511066900001320
S1346、更新当前健康状态索引值l＝l+1，重复上述步骤S1343、S1344与S1345，直至健康状态索引值l等于行星轴承健康状态的种类L，获得各个行星轴承健康状态对应的最终的优化子字典矩阵。
在确定了各个行星轴承健康状态对应的L个优化子字典矩阵之后，确定待检测样本对于L个不同的行星轴承健康状态对应的优化子字典矩阵的L个稀疏编码；并根据L个不同的行星轴承健康状态的优化子字典矩阵和L个稀疏编码，确定待检测样本的L个稀疏重构误差。
根据所述待检测样本和预获取的L个不同的行星轴承健康状态的优化子字典矩阵，确定所述待检测样本对于所述L个不同的行星轴承健康状态的优化子字典矩阵的L个稀疏编码，通过以下公式实现：
对于l＝1,2,…,L,
Figure BDA0003551106690000141
其中，zi为待检测样本，
Figure BDA0003551106690000142
为待检测样本zi关于优化子字典矩阵
Figure BDA0003551106690000143
的稀疏编码，
Figure BDA0003551106690000144
为优化子字典矩阵，T为稀疏阈值，L为行星轴承健康状态的种类。
具体地说，根据L个不同的行星轴承健康状态的优化子字典矩阵和L个稀疏编码，确定待检测样本的L个稀疏重构误差，通过以下公式实现：
对于l＝1,2,…,L,
Figure BDA0003551106690000145
其中，zi为待检测样本，
Figure BDA0003551106690000146
为优化子字典矩阵，
Figure BDA0003551106690000147
为待检测样本zi关于优化子字典矩阵
Figure BDA0003551106690000148
的稀疏编码，
Figure BDA0003551106690000149
为待检测样本zi关于优化子字典矩阵
Figure BDA00035511066900001410
的稀疏重构误差，L为行星轴承健康状态的种类。
S140、通过基于稀疏重构误差最小判别准则的健康状态智能识别策略，确定待检测样本的最小稀疏重构误差；并根据最小稀疏重构误差对应的优化子字典矩阵的健康状态类标，判定待检测的行星轴承的健康状态。
通过采用基于稀疏重构误差最小判别准则的健康状态智能识别策略，能够准确识别行星轴承的不同健康状态，达到了无须依赖于任何显式的分类器模型且摆脱了繁琐的特征工程设计与选择步骤的技术效果。
通过基于稀疏重构误差最小判别准则的健康状态智能识别策略，确定待检测样本的最小稀疏重构误差；并根据所述最小稀疏重构误差对应的优化子字典矩阵的健康状态类标，判定所述待检测的行星轴承的健康状态的步骤，通过以下公式实现：
Figure BDA00035511066900001411
其中，label(zi)为待检测信号zi的健康状态类标；
Figure BDA00035511066900001412
为稀疏重构误差；zi为待检测信号；
Figure BDA00035511066900001413
为优化子字典矩阵；
Figure BDA00035511066900001414
为待检测信号zi关于优化子字典矩阵
Figure BDA00035511066900001415
的稀疏编码；其中，l＝1,2,...,L；L为行星轴承健康状态的种类。
以型号为NGW11-10的行星齿轮箱为例，通过安装振动加速度传感器于行星齿轮箱的箱体外壳，利用振动数据采集系统分别获取行星齿轮箱L种(L＝4)不同健康状态(包含行星轴承正常、行星轴承外圈故障、行星轴承内圈故障、行星轴承滚动体故障)下的训练振动数据集与健康状态未知的测试振动数据集。行星齿轮箱输入轴转速为1500转/分钟，训练与测试振动数据信号的采样频率与采样时间分别为25600Hz与30秒。
图3为根据本发明实施例的基于增强字典学习的行星轴承智能故障诊断方法的行星轴承健康状态识别效果图；如图3所示，本发明实施例的基于增强字典学习的行星轴承智能故障诊断方法，能够有效精准地识别4种不同行星轴承健康状态的共计4040个测试样本的真实健康状态，即对于4种不同行星轴承健康状态的诊断精度分别可达到100％、100％、100％和99.90％，充分体现了本发明所提供的基于增强字典学习的行星轴承智能故障诊断方法在实现行星轴承故障诊断时的优越诊断性能。
图4～图5对本发明实施例的基于增强字典学习的行星轴承智能故障诊断方法(SLBC)的诊断效果与现有技术中的行星轴承智能故障诊断方法的诊断效果进行了对比性地整体描述；其中，现有技术分别采用增强稀疏表示智能识别方法ESRIR、基于字典学习的稀疏表示分类方法DL-SRC、基于判别式字典学习的稀疏表示分类方法DDL-SRC和深度神经网络方法DCNN。具体地说，图4为根据本发明实施例的基于增强字典学习的行星轴承智能故障诊断方法的抗噪性能效果图；图5为根据本发明实施例的基于增强字典学习的行星轴承智能故障诊断方法的诊断精度的效果对比图。
如图4所示，通过在训练数据集与测试信号数据集中同时添加随机高斯白噪声，在数据集添加高斯白噪声后信噪比分别为-5dB、0dB、5dB、10dB的情况下，本发明实施例的基于增强字典学习的行星轴承智能故障诊断方法，仍然分别能取得96.29％、99.68％、99.98％与99.98％的整体平均诊断精度，体现了本发明所提供的基于增强字典学习的行星轴承智能故障诊断方法在实现行星轴承故障诊断时的强抗噪鲁棒性。
如图5所示，对比本发明实施例的基于增强字典学习的行星轴承智能故障诊断方法(SLBC)与现有技术中增强稀疏表示智能识别方法ESRIR、基于字典学习的稀疏表示分类方法DL-SRC、基于判别式字典学习的稀疏表示分类方法DDL-SRC和深度神经网络方法DCNN四种方法的诊断精度，可以发现本发明实施例的基于增强字典学习的行星轴承智能故障诊断方法(SLBC)，对每一种行星轴承健康状态的识别均能取得最高的诊断精度，而且整体的平均诊断精度最高为99.98％，体现了本发明所提供的基于增强字典学习的行星轴承智能故障诊断方法在行星轴承故障诊断方面的诊断精度优越性。
综上，采用本发明的基于增强字典学习的行星轴承智能故障诊断方法，可以在不依赖于行星轴承局部故障微弱特征频率的辨识的前提下，实现对行星轴承健康状态的鲁棒智能辨识；首先，通过采用考虑健康状态的子字典学习算法，以数据驱动的方式自适应学习不同行星轴承健康状态的训练数据稀疏表示的优化子字典，增强了优化子字典的重构功能，并且实现了对行星轴承健康状态的智能诊断的同时具有良好的抗噪鲁棒性的技术效果；其次，通过采用基于稀疏重构误差最小判别准则的健康状态智能识别策略，能够准确识别行星轴承的不同健康状态，达到了无须依赖于任何显式的分类器模型且摆脱了繁琐的特征工程设计与选择步骤的技术效果；本发明的基于增强字典学习的行星轴承智能故障诊断方法特别适用于恒定运行工况下行星轴承健康状态的智能识别，能够对不同行星轴承健康状态进行准确辨识；克服了传统方法的依赖于微弱故障特征频率的精确辨识、易受制造误差与干扰的影响以及难以实现行星轴承健康状态鲁棒智能识别的不足，为含行星传动系统机械装备的故障诊断与健康管理提供技术支撑。
与上述基于增强字典学习的行星轴承智能故障诊断方法相对应，本发明还提供一种基于增强字典学习的行星轴承智能故障诊断系统。图6示出了根据本发明实施例的基于增强字典学习的行星轴承智能故障诊断系统的功能模块。
如图6所示，本发明提供的基于增强字典学习的行星轴承智能故障诊断系统600可以安装于电子设备中。根据实现的功能，所述基于增强字典学习的行星轴承智能故障诊断系统600可以包括采集单元610、数据处理单元620和行星轴承健康状态判定单元630。本发明所述单元也可以称之为模块，指的是一种能够被电子设备的处理器所执行，并且能够完成某一固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
采集单元610，用于采集待检测的行星轴承的振动数据；
数据处理单元620，用于根据所采集的待检测的行星轴承的振动数据，确定待检测样本；根据所述待检测样本和预获取的不同的行星轴承健康状态的优化子字典矩阵，确定所述待检测样本对于所述不同的行星轴承健康状态的优化子字典矩阵的稀疏编码；并根据不同的行星轴承健康状态的优化子字典矩阵和稀疏编码，确定待检测样本的稀疏重构误差；
行星轴承健康状态判定单元630，用于通过基于稀疏重构误差最小判别准则的健康状态智能识别策略，确定待检测样本的最小稀疏重构误差；并根据所述最小稀疏重构误差对应的优化子字典矩阵的健康状态类标，判定所述待检测的行星轴承的健康状态。
本发明所提供的上述基于增强字典学习的行星轴承智能故障诊断系统的更为具体的实现方式，均可以参照上述对基于增强字典学习的行星轴承智能故障诊断方法的实施例表述，在此不再一一列举。
本发明所提供的上述基于增强字典学习的行星轴承智能故障诊断系统，通过提出一种基于增强字典学习-稀疏分类的行星轴承故障诊断方法，可以在不依赖于行星轴承局部故障微弱特征频率的辨识的前提下，实现对行星轴承健康状态的鲁棒智能辨识；通过采用考虑健康状态的子字典学习算法，以数据驱动的方式自适应学习不同行星轴承健康状态的训练数据稀疏表示的优化子字典，增强了优化子字典的重构功能，并且实现了对行星轴承健康状态的智能诊断的同时具有良好的抗噪鲁棒性的技术效果；通过采用基于稀疏重构误差最小判别准则的健康状态智能识别策略，能够准确识别行星轴承的不同健康状态，达到了无须依赖任何显式分类器模型且摆脱了繁琐的特征工程设计与选择步骤的技术效果；特别适用于恒定运行工况下行星轴承健康状态的智能识别，能够对不同行星轴承健康状态进行准确辨识；克服了传统方法的依赖于微弱故障特征频率的精确辨识、易受制造误差与干扰的影响以及难以实现行星轴承健康状态鲁棒智能识别的不足，为含行星传动系统机械装备的故障诊断与健康管理提供技术支撑。
如图7所示，本发明提供一种基于增强字典学习的行星轴承智能故障诊断方法的电子设备7。
该电子设备7可以包括处理器70、存储器71和总线，还可以包括存储在存储器71中并可在所述处理器70上运行的计算机程序，如基于增强字典学习的行星轴承智能故障诊断程序72。
其中，所述存储器71至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器71在一些实施例中可以是电子设备7的内部存储单元，例如该电子设备7的移动硬盘。所述存储器71在另一些实施例中也可以是电子设备7的外部存储设备，例如电子设备7上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括电子设备7的内部存储单元也包括外部存储设备。所述存储器71不仅可以用于存储安装于电子设备7的应用软件及各类数据，例如基于增强字典学习的行星轴承智能故障诊断程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器70在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器70是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器71内的程序或者模块(例如基于增强字典学习的行星轴承智能故障诊断程序等)，以及调用存储在所述存储器71内的数据，以执行电子设备7的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器71以及至少一个处理器70等之间的连接通信。
图7仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图7示出的结构并不构成对所述电子设备7的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备7还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器70逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备7还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备7还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备7与其他电子设备之间建立通信连接。
可选地，该电子设备7还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备7中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备7中的所述存储器71存储的基于增强字典学习的行星轴承智能故障诊断程序72是多个指令的组合，在所述处理器70中运行时，可以实现：采集待检测的行星轴承的振动数据；根据所采集的待检测的行星轴承的振动数据，确定待检测样本；根据待检测样本和预获取的不同的行星轴承健康状态的优化子字典矩阵，确定待检测样本对于不同的行星轴承健康状态的优化子字典矩阵的稀疏编码；并根据不同的行星轴承健康状态的优化子字典矩阵和稀疏编码，确定待检测样本的稀疏重构误差；通过基于稀疏重构误差最小判别准则的健康状态智能识别策略，确定待检测样本的最小稀疏重构误差；并根据最小稀疏重构误差对应的优化子字典矩阵的健康状态类标，判定待检测的行星轴承的健康状态。
具体地，所述处理器70对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述基于增强字典学习的行星轴承智能故障诊断程序的私密和安全性，上述基于增强字典学习的行星轴承智能故障诊断程序存储于本服务器集群所处区块链的节点中。
进一步地，所述电子设备7集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还提供一种计算机可读存储介质，所述存储介质可以是非易失性的，也可以是易失性的，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现：采集待检测的行星轴承的振动数据；根据所采集的待检测的行星轴承的振动数据，确定待检测样本；根据待检测样本和预获取的不同的行星轴承健康状态的优化子字典矩阵，确定待检测样本对于不同的行星轴承健康状态的优化子字典矩阵的稀疏编码；并根据不同的行星轴承健康状态的优化子字典矩阵和稀疏编码，确定待检测样本的稀疏重构误差；通过基于稀疏重构误差最小判别准则的健康状态智能识别策略，确定待检测样本的最小稀疏重构误差；并根据最小稀疏重构误差对应的优化子字典矩阵的健康状态类标，判定待检测的行星轴承的健康状态。
具体地，所述计算机程序被处理器执行时具体实现方法可参考实施例基于增强字典学习的行星轴承智能故障诊断方法中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等，区块链可以存储医疗数据，如个人健康档案、厨房、检查报告等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于增强字典学习的行星轴承智能故障诊断方法，其特征在于，包括：
采集待检测的行星轴承的振动数据；
根据所采集的待检测的行星轴承的振动数据，确定待检测样本；
根据所述待检测样本和预获取的不同的行星轴承健康状态的优化子字典矩阵，确定所述待检测样本对于所述不同的行星轴承健康状态的优化子字典矩阵的稀疏编码；并根据不同的行星轴承健康状态的优化子字典矩阵和稀疏编码，确定所述待检测样本的稀疏重构误差；
通过基于稀疏重构误差最小判别准则的健康状态智能识别策略，确定待检测样本的最小稀疏重构误差；并根据所述最小稀疏重构误差对应的优化子字典矩阵的健康状态类标，判定所述待检测的行星轴承的健康状态。
2.如权利要求1中所述的基于增强字典学习的行星轴承智能故障诊断方法，其特征在于，通过基于稀疏重构误差最小判别准则的健康状态智能识别策略，确定待检测样本的最小稀疏重构误差；并根据所述最小稀疏重构误差对应的优化子字典矩阵的健康状态类标，判定所述待检测的行星轴承的健康状态的步骤，通过以下公式实现：
Figure FDA0003551106680000011
其中，label(zi)为待检测信号zi的健康状态类标；
Figure FDA0003551106680000012
为稀疏重构误差；zi为所述待检测信号；
Figure FDA0003551106680000013
为优化子字典矩阵；
Figure FDA0003551106680000014
为待检测信号zi关于优化子字典矩阵
Figure FDA0003551106680000015
的稀疏编码；其中，l＝1,2,...,L；L为行星轴承健康状态的种类。
3.如权利要求1所述的基于增强字典学习的行星轴承智能故障诊断方法，其特征在于，所述优化子字典矩阵的获取方法包括，
获取行星轴承在不同运行健康状态下的振动数据，并形成训练振动数据集；
利用交叠分割策略对所述训练振动数据集进行数据集增强，确定各个行星轴承健康状态对应的训练信号矩阵；
利用各个行星轴承健康状态对应的训练信号矩阵构建初始化子字典矩阵；直至初始化子字典矩阵的健康状态索引值等于行星轴承健康状态的种类；
利用K-SVD字典学习算法，对所述初始化子字典矩阵进行迭代更新，并获取各个行星轴承健康状态对应的优化子字典矩阵。
4.如权利要求3所述的基于增强字典学习的行星轴承智能故障诊断方法，其特征在于，利用K-SVD字典学习算法，对所述初始化子字典矩阵进行迭代更新，并获取各个行星轴承健康状态对应的优化子字典矩阵的方法，包括，
设定当前健康状态索引值l为1；
设定当前迭代次数J为1；
对健康状态对应的当前子字典矩阵进行固定，利用正交匹配追踪算法，获取健康状态对应的训练信号矩阵对健康状态对应的当前子字典矩阵的当前稀疏编码矩阵；
对当前子字典矩阵和当前稀疏编码矩阵，基于子字典学习的优化目标函数进行更新，获取行星轴承健康状态对应的更新的当前优化子字典矩阵；
更新当前迭代次数J＝J+1，重复上述稀疏编码与字典更新步骤，直至当前迭代次数J达到设定迭代次数，获取行星轴承健康状态对应的最终的优化子字典矩阵；
更新当前健康状态索引值l＝l+1，重复上述步骤，直至健康状态索引值l等于行星轴承健康状态的种类L，获得各个行星轴承健康状态对应的最终的优化子字典矩阵；
其中，对当前子字典矩阵和当前稀疏编码矩阵，基于子字典学习的优化目标函数进行更新的方法包括，对当前子字典矩阵的字典原子进行逐列更新和对当前稀疏编码矩阵中与所述字典原子对应的稀疏编码系数进行逐行更新。
5.如权利要求4所述的基于增强字典学习的行星轴承智能故障诊断方法，其特征在于，各个行星轴承健康状态对应的优化子字典矩阵通过如下公式获取：
对于l＝1,2,…,L,
Figure FDA0003551106680000031
其中，Yl为行星轴承健康状态l对应的训练信号矩阵，
Figure FDA0003551106680000032
为训练信号矩阵Yl稀疏表示的优化子字典矩阵，
Figure FDA0003551106680000033
为训练信号矩阵Yl稀疏表示的优化稀疏编码矩阵，Dl＝[dl,1,…,dl,k,…,dl,K]，Xl＝[xl,1,…,xl,n,…,xl,N]，K为字典尺寸，T为稀疏阈值，L为行星轴承健康状态的种类。
6.如权利要求3所述的基于增强字典学习的行星轴承智能故障诊断方法，其特征在于，利用交叠分割策略对所述训练振动数据集进行数据集增强，确定各个行星轴承健康状态对应的训练信号矩阵，通过以下公式实现：
对于l＝1,2,…,L,Yl＝Γ(yl)＝[Γ1(yl),…,Γn(yl),…,ΓN(yl)]∈RW×N.
其中，{yl}(l＝1,...,L)为行星轴承健康状态l对应的训练振动数据集，L为行星轴承健康状态的种类，Γ:R1×m→RW×N为重叠分割算子，N为训练信号矩阵Yl的列数，W为窗长参数。
7.如权利要求1所述的基于增强字典学习的行星轴承智能故障诊断方法，其特征在于，根据所述待检测样本和预获取的不同的行星轴承健康状态的优化子字典矩阵，确定所述待检测样本对于所述不同的行星轴承健康状态的优化子字典矩阵的稀疏编码，通过以下公式实现：
对于
Figure FDA0003551106680000034
其中，zi为待检测样本，
Figure FDA0003551106680000035
为优化子字典矩阵，
Figure FDA0003551106680000036
为待检测样本zi关于优化子字典矩阵
Figure FDA0003551106680000037
的稀疏编码，T为稀疏阈值，L为行星轴承健康状态的种类。
8.如权利要求1所述的基于增强字典学习的行星轴承智能故障诊断方法，其特征在于，根据不同的行星轴承健康状态的优化子字典矩阵和稀疏编码，确定所述待检测样本的稀疏重构误差，通过以下公式实现：
对于
Figure FDA0003551106680000041
其中，zi为待检测样本，
Figure FDA0003551106680000042
为优化子字典矩阵，
Figure FDA0003551106680000043
为待检测样本zi关于优化子字典矩阵
Figure FDA0003551106680000044
的稀疏编码，
Figure FDA0003551106680000045
为待检测样本zi关于优化子字典矩阵
Figure FDA0003551106680000046
的稀疏重构误差，L为行星轴承健康状态的种类。
9.一种基于增强字典学习的行星轴承智能故障诊断系统，其特征在于，包括：
采集单元，用于采集待检测的行星轴承的振动数据；
数据处理单元，用于根据所采集的待检测的行星轴承的振动数据，确定待检测样本；根据所述待检测样本和预获取的不同的行星轴承健康状态的优化子字典矩阵，确定所述待检测样本对于所述不同的行星轴承健康状态的优化子字典矩阵的稀疏编码；并根据不同的行星轴承健康状态的优化子字典矩阵和稀疏编码，确定所述待检测样本的稀疏重构误差；
行星轴承健康状态判定单元，用于通过基于稀疏重构误差最小判别准则的健康状态智能识别策略，确定待检测样本的最小稀疏重构误差；并根据所述最小稀疏重构误差对应的优化子字典矩阵的健康状态类标，判定所述待检测的行星轴承的健康状态。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8中任一所述的基于增强字典学习的行星轴承智能故障诊断方法中的步骤。
CN202210262593.3A 2022-03-17 2022-03-17 基于增强字典学习的行星轴承智能故障诊断方法 Pending CN114722520A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210262593.3A CN114722520A (zh) 2022-03-17 2022-03-17 基于增强字典学习的行星轴承智能故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210262593.3A CN114722520A (zh) 2022-03-17 2022-03-17 基于增强字典学习的行星轴承智能故障诊断方法

Publications (1)

Publication Number Publication Date
CN114722520A true CN114722520A (zh) 2022-07-08

Family

ID=82237465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210262593.3A Pending CN114722520A (zh) 2022-03-17 2022-03-17 基于增强字典学习的行星轴承智能故障诊断方法

Country Status (1)

Country Link
CN (1) CN114722520A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116088307A (zh) * 2022-12-28 2023-05-09 中南大学 基于误差触发自适应稀疏辨识的多工况工业过程预测控制方法、装置、设备及介质
CN116361727A (zh) * 2023-03-28 2023-06-30 重庆大学 一种基于音频特征和SRC-Adaboost的电池换电系统驱动齿轮故障诊断方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116088307A (zh) * 2022-12-28 2023-05-09 中南大学 基于误差触发自适应稀疏辨识的多工况工业过程预测控制方法、装置、设备及介质
CN116088307B (zh) * 2022-12-28 2024-01-30 中南大学 基于误差触发自适应稀疏辨识的多工况工业过程预测控制方法、装置、设备及介质
CN116361727A (zh) * 2023-03-28 2023-06-30 重庆大学 一种基于音频特征和SRC-Adaboost的电池换电系统驱动齿轮故障诊断方法

Similar Documents

Publication Publication Date Title
Qian et al. A new deep transfer learning network based on convolutional auto-encoder for mechanical fault diagnosis
CN110657984B (zh) 一种基于强化胶囊网络的行星齿轮箱故障诊断方法
CN112906644B (zh) 基于深度迁移学习的机械故障智能诊断方法
CN114722520A (zh) 基于增强字典学习的行星轴承智能故障诊断方法
Gao et al. ASM1D-GAN: An intelligent fault diagnosis method based on assembled 1D convolutional neural network and generative adversarial networks
CN112924177B (zh) 一种改进深度q网络的滚动轴承故障诊断方法
Wang et al. Intelligent fault diagnosis for planetary gearbox using transferable deep q network under variable conditions with small training data
CN110991471B (zh) 一种高速列车牵引系统故障诊断方法
CN116894187A (zh) 一种基于深度迁移学习的齿轮箱故障诊断方法
CN112132102B (zh) 一种深度神经网络结合人工蜂群优化的智能故障诊断方法
CN114155397B (zh) 一种小样本图像分类方法及系统
CN116502175A (zh) 一种图神经网络故障诊断方法、装置和存储介质
CN114662712A (zh) 基于Wasserstein深度数字孪生模型的旋转机械状态监测方法
CN114491828A (zh) 一种基于多门控混合专家多任务学习的复合故障诊断方法
CN114648044B (zh) 基于eemd和深度域对抗网络的振动信号诊断分析方法
CN113837071B (zh) 基于多尺度权重选择对抗网络的部分迁移故障诊断方法
CN114626625A (zh) 基于多模块U-BiLSTM网络的轴承寿命预测方法
CN114118174A (zh) 一种滚动轴承故障诊断方法及系统
CN117235476A (zh) 故障检测方法、装置、计算机设备和存储介质
CN112541524A (zh) 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法
CN114722699A (zh) 机械设备智能故障诊断方法、系统及存储介质
Zhang et al. A novel transfer dictionary learning strategy for rolling bearing fault identification with a mixed noise model
Dangdang et al. Cross-domain intelligent fault diagnosis method of rotating machinery using multi-scale transfer fuzzy entropy
Hao et al. New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis
CN115099264A (zh) 船舶零件故障诊断方法及装置、计算机和计算机储存介质

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