[发明专利]基于学习字典与奇异值分解的滚动轴承故障识别方法

说明书

本发明公开一种基于学习字典与奇异值分解的滚动轴承故障识别方法，可以在某一程度故障数据学习训练的基础上实现对其他程度故障类型的识别，利用K‑SVD算法训练某单一故障程度下各故障类型信号的学习字典，并将得到的各类型学习字典组合成新字典，采用奇异值分解对待测故障数据进行去噪处理，同时构建去噪数据的测试样本集，之后求解该测试样本集在组合字典下的稀疏表示系数矩阵，根据其中非零系数在各故障类型区域的分布概率进行轴承故障类型的识别判断。该方法可以有效识别其他故障程度下的故障类型，而且训练过程无需大量的轴承故障数据，训练过程计算量小，所用时间较短，而且识别的准确度高，简单易行。

技术领域

本发明属于滚动轴承故障诊断技术领域，涉及一种基于学习字典与奇异值分解的滚动轴承故障识别方法。

背景技术

滚动轴承是旋转机械中最常见也是最重要的零部件之一，因其特殊的结构和应用位置，滚动轴承极易受到损坏，进而引发严重的机械故障。据统计，旋转机械中由滚动轴承损坏引起的故障约有30％，这对企业的安全生产造成了严重的影响。因此，滚动轴承的故障监测与诊断对于保障机械设备安全运行、提高经济生产效益具有重大的现实意义。

在滚动轴承故障诊断领域，如何根据轴承的振动信号对轴承故障进行故障特征提取和分类是实现故障识别的关键。轴承故障多种多样，按其损伤位置，可分为内环、外环、滚动体故障等，而每类故障的故障程度又有轻重之分，常规的故障识别分类方法将各类、各程度下的轴承故障信号进行训练，得到一个故障诊断模型，然后再用该模型去识别诊断待测信号的故障类型。常规方法具有一定的可行性，但在故障识别模型的训练过程中需要大量的轴承故障数据，同时训练过程中的计算量较大，所用时间也较长，因此具有一定的局限性。

发明内容

针对现有技术的不足，本发明提供一种基于学习字典与奇异值分解的滚动轴承故障识别方法，可以在某一程度故障数据学习训练的基础上实现对其他程度故障类型的识别，利用K-SVD算法训练某单一故障程度下各故障类型信号的学习字典，并将得到的各类型学习字典组合成新字典，采用奇异值分解对待测故障数据进行去噪处理，同时构建去噪数据的测试样本集，之后求解该测试样本集在组合字典下的稀疏表示系数矩阵，根据其中非零系数在各故障类型区域的分布概率进行轴承故障类型的识别判断，从而有效识别其他故障程度下的故障类型。

本发明是这样实现的：

一种基于学习字典与奇异值分解的滚动轴承故障识别方法，其具体包括以下步骤：

S1、将正常轴承的振动信号以及内环故障、外环故障和滚动体故障类型的振动信号各自进行分割截取，构建他们各自的训练样本集；

S2、利用K-SVD方法分别对上述4个训练样本集进行训练，得到它们各自的学习字典，并将4个字典组合成新的组合字典：

S21、利用K-SVD方法得到学习字典：

以正常轴承为例，字典学习的数学描述表示为：

其中，D₁＝[d₁,d₂...d_p]∈R^m×p为学习字典，d_i∈R^m×1为字典的第i个原子且p＞＞n，其中，p、m和n均为实数，p表示学习字典中原子的个数，n表示稀疏表示系数的个数；A₁＝[α₁,α₂...α_n]∈R^p×n为训练样本集X₁在学习字典D₁下的稀疏表示系数矩阵，α_i∈R^p×1为某单个样本x_i的稀疏表示系数；k为稀疏度；||·||_F表示矩阵的F范数，其中i表示矩阵X中的第i行，j表示矩阵X的第j列；