[发明专利]一种基于稀疏表示和字典学习的轴承故障分类方法

说明书

本发明公开了一种基于稀疏表示和字典学习的轴承故障分类方法，其特征是按如下步骤进行：对采集的历史轴承振动信号进行预处理，获取不同工作状态下的振动信号，并分别构建对应的子字典，再将各个子字典合并成一个冗余字典；使用传感器在线采集轴承振动信号，使用广义正交匹配追踪算法求得该信号在冗余字典下的稀疏系数，再通过重构误差实现振动信号分类，从而识别轴承工作状态。本发明能获得较好的分类效果，加快字典训练的过程，提高字典对目标信号的适应能力，从而更高效地实现复杂振动信号的稀疏分解并用于故障识别。

技术领域

本发明涉及滚动轴承振动信号处理方法领域，具体是一种基于稀疏表示和字典学习的轴承故障分类方法

背景技术

轴承是旋转机械中最为重要的机械零件之一，广泛应用于电力、化工、冶金、航空等各个重要领域，同时轴承也是最容易损坏的元件之一。轴承性能和工况的好坏直接影响到整台机器设备的性能，其缺陷会导致设备产生异常振动和噪声，甚至造成设备损坏。因此，对滚动轴承故障进行诊断，尤其是对于早期故障的分析，尤为重要。在设备振动信号的采集过程中，噪声、信号调制等各种共生因素造成了信息的冗余，机械故障的特征成分往往在整体信号中呈现出稀疏性。因此，振动信号的特征提取实质也是一个信息冗余度压缩的过程。在此基础上，能够对信号内部不同成分结构和形态细节高度表征和提取的信号稀疏分解算法，成为振动信号特征提取方法中新兴的研究热点。信号的稀疏表示是将信号在过完备字典上进行分解，若字典中的原子与信号的主要成分相似，则仅需少数原子，就能得到比较精确的表示信号，分解结果也将是稀疏的。如果选择不恰当的字典则不能获得一个好的表示，这种现象称为信息冲淡，对后续的分析工作非常不利。因此，寻求恰当的字典成为稀疏表示理论的研究焦点之一。一种思路是考虑选择预构的字典，例如DCT字典、小波字典等，采用这种类型字典时，计算速度很快，但它们的稀疏化能力局限于所设计的信号，不能用于任意感兴趣的新信号类。

为了打破这个限制，研究者们提出了字典学习的方法，从与待分析信号相关的训练样本中训练出字典，这种方法能够自适应的捕捉信号潜在的内部结构，从而更好的表示信号。

Aharon等提出了K-SVD算法，通过字典更新和系数求解两个过程的迭代实现字典学习，但是该算法使用匹配追踪求解稀疏系数时，每次迭代选取字典中最相关一个的原子，使得该方法在求解时比较耗时。

发明内容

本发明为克服现有技术存在的不足之处，提供一种基于稀疏表示和字典学习的轴承故障分类方法，以期能加快字典训练的过程，提高字典对目标信号的适应能力，从而更高效地实现复杂振动信号的稀疏分解并用于故障识别。

为了达到上述目的，本发明所采用的技术方案为：

本发明一种基于稀疏表示和字典学习的轴承故障分类方法的特点包括以下步骤：

步骤1、获取包含K类轴承故障信号所对应的训练样本集合Y＝{Y1,Y2,...,Yi,...,YK}，Yi表示包含第i类轴承故障信号所对应的训练样本集合，并有：表示第i类轴承故障信号所对应的训练样本集合中第j个训练样本；1≤i≤K，1≤j≤M；每个样本为H×1维向量；