[发明专利]基于数据-模型驱动的K-SVD的滚动轴承冲击性故障诊断方法

说明书

基于数据‑模型驱动的K‑SVD的滚动轴承冲击性故障诊断方法，该方法先利用加速度传感器采集振动信号s，然后将信号分段得到最初的训练数据集D1；求D1中相邻原子的谱峭度差值，得到谱峭度差值最大的原子d_o；根据故障信号特点构建最优原子d_op，由d_o得到模型中的参数，将d_op直接扩充为最新的训练数据集；利用K‑SVD方法训练字典，并在原子更新过程中加入去相干步骤；利用正交匹配追踪算法得到重构后的冲击信号；对重构信号进行包络分析。本发根据冲击信号特点构造不含噪声的训练数据集，使得学习字典对信号有更佳的稀疏表示效果，重构信号包含更多特征信息，有助于实现滚动轴承冲击性故障诊断。

技术领域

本发明涉及信号处理技术领域，尤其涉及一种基于数据-模型驱动的K-SVD的滚动轴承冲击性故障诊断方法。

背景技术

滚动轴承是机械设备中重要的零部件，一旦出现故障可能会对设备产生恶劣影响，因此对轴承故障诊断的研究对于维护设备安全运行意义重大。理论上来讲，如果轴承表面出现点蚀、剥落等情况时，故障部位与轴承的滚动部件接触会导致一系列的瞬态冲击，但由于环境噪声的存在，冲击特征往往淹没在噪声中，使得滚动轴承混合信号冲击特征提取变得困难。因此，如何从噪声混合信号中提取有效特征是滚动轴承故障诊断亟待解决的问题。

近年来，信号稀疏表示理论被广泛应用于图像、信号处理领域。利用稀疏字典表示滚动轴承混合信号，由于噪声与信号结构不同使得信号可以得到有效分解而大部分噪声信息被丢弃，字典原子与信号结构相似性越高，稀疏表示的效果越好。K-SVD方法自适应较强，是常用的字典学习方法之一，根据训练样本性质可以分为数据驱动和模型驱动两类。训练字典如果基于原始轴承混合信号进行创建会使得稀疏表示具有更佳的适应性，但是字典学习不能完全摆脱混合信号中噪声的干扰而不能有效分解信号，同时得到的字典互相干性过大也会降低稀疏表示的效果。

发明内容

本发明的目的在于提供一种针对K-SVD处理有较强背景噪声轴承信号时存在的问题，通过计算初始训练集中的原子谱峭度，得到含有冲击最明显的原子，并以此为基础利用故障信号震荡衰减的波形特征构造纯净的训练集原子，然后利用K-SVD进行字典学习，在字典更新过程中加入去相干步骤，得到与信号匹配度高、相干性低的稀疏字典，从而有效实现冲击性故障信号特征提取和故障诊断的基于数据-模型驱动的K-SVD的滚动轴承冲击性故障诊断方法。

本发明采用的技术方案如下：

本发明所提出的基于数据-模型驱动的K-SVD的滚动轴承冲击性故障诊断方法，该方法包括以下步骤：步骤S1、利用加速度传感器获得轴承的振动信号s，将信号进行分割为m段,每段长为p,构成一个p×m的数据集，将其作为初始训练数据D1＝{d₁,d₂,…,d_m}，d_i∈R^(p×1)是D1中的任意原子；

步骤S2、求D1中原子的谱峭度κ(d_i)，并计算相邻原子的谱峭度差值Δκ，得到差值最大的一个原子d_o；

Δκ＝κ(d_i)-κ(d_i-1)i＝2,3,...,m；

步骤S3、根据冲击性故障信号周期性、冲击衰减特点构造新的训练集原子d_op：

其中，ξ表示粘滞阻尼系数，f表示频率，fs是滚动轴承信号的采样频率；n₀对应步骤3中d_o幅值最大的点，并以n₀为中点，找到冲击开始和结束的位置，估计冲击周期n_T，将得到的d_op扩充为新训练数据集D2；