[发明专利]稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法

权利要求书

1.一种稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法，其特征在于，包括以下步骤：

(1)通过加速度传感器拾取齿轮箱振动信号；

(2)对拾取的原始振动信号利用稀疏正则化滤波方法进行滤波，去除外界干扰噪声；其中，利用增广Huber函数作为罚函数建立稀疏正则化滤波方法的目标成本函数，具体包括以下步骤：

(21)通过如下最优化方程从含噪的观测信号估计潜在故障信号所述最优化方程为：其中，F(x)为目标成本函数，λ₀与λ₁为正则化参数，矩阵D为一阶可导矩阵，||x||₁与||Dx||₁为罚函数，||x||₁为L1-norm范数，y₀＝Ax，M×N为线性变换矩阵，为变换系数集；通过软阈值函数与全变分算法对所述最优化方程进行求解；

(22)利用增广Huber函数作为罚函数建立稀疏正则化滤波算法的目标成本函数，目标成本函数为：其中，罚函数φ_B(x)＝||x||₁-S_B(x)为增广Huber函数，S_B(x)为广义Huber函数，v表示靠近点x两侧邻域内的点，如果矩阵B为对角矩阵，则广义Huber函数S_B(x)是可分离函数，如果矩阵B为非对角矩阵，则广义Huber函数S_B(x)是不可分离函数；

(23)根据与φ_B(x)＝||x||₁-S_B(x)，目标成本函数F(x)表达为其中，A^T为矩阵A的复共轭转置矩阵，B^T为矩阵B的复共轭转置矩阵，A^TA-λB^TB≥0，为一组凸函数的逐点最大值；

(24)为了最小化目标成本函数F(x)，设参数0＜τ≤1，有B^TB＝(τ/λ)A^TA，则最优化问题转化为鞍点问题，即鞍点问题的求解通过后向-前向算法进行求解，λ为正则化参数；

(25)正则化参数λ选取为：其中，标称值γ＝0.95，σ为噪声的标准差，N表示信号样本点个数；

(3)利用自适应稀疏分解方法对滤波信号进行分解，得到高频振荡信号与低频周期性瞬时脉冲信号；

(4)利用Hilbert包络解调方法对低频周期性瞬时脉冲信号进行包络解调，得到包络谱，提取出故障特征频率及其倍频成分，最终识别故障类型。

2.根据权利要求1所述的稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法，其特征在于，所述步骤(25)中噪声的标准差σ通过σ＝MAD(y)/0.6745进行计算，其中，MAD(y)为观测信号y的绝对偏差中值。