[发明专利]一种基于聚类K-SVD算法的滚动轴承故障诊断方法

说明书

本发明公开了一种基于聚类K‑SVD算法的滚动轴承故障诊断方法，其主要步骤如下：首先利用基于粒子群优化的时变滤波经验模态分解算法对原始信号进行自适应分解，得到各本征模式分量，并计算各分量的相关峭度指标(K_cr)值；然后，选取具有最大K_cr指标值的本征模式分量作为聚类K‑SVD算法的输入样本进行字典学习，得到超完备字典D_New；最后，利用超完备字典D_New，并结合正交匹配追踪算法对滚动轴承原始信号进行稀疏特征提取，并对稀疏表示结果进行包络谱分析提取滚动轴承故障频率特征。本方法有效解决了经典K‑SVD算法对滚动轴承故障冲击特征的学习精度较低等问题，对于实现滚动轴承微弱故障诊断具有重要的意义。

技术领域

本发明涉及设备维护技术领域，尤其涉及一种基于聚类K-SVD算法的滚动轴承故障诊断方法。

背景技术

滚动轴承作为重要的支撑部件，在旋转机械中得到了广泛的应用，但由于恶劣的运行环境和复杂多变的运行工况，滚动轴承不可避免地会发生各种损伤，从而影响整机的安全可靠运行。但是，由于传感器安装位置、其他旋转部件、嘈杂的工作环境、电磁干扰等因素影响，由振动传感器采集到的振动信号不仅包含由故障导致的周期脉冲成分，而且还存在大量的噪声和谐波干扰，使得有效特征信息被淹没，增加滚动轴承故障诊断难度。因此，开展滚动轴承故障诊断技术研究，实现强背景噪声中滚动轴承故障特征的有效提取，及时准确地识别滚动轴承健康状态，对保障设备的安全可靠运行具有重要意义。

K-奇异值分解(简称K-SVD)是Elad等于2006年提出的全新的非平稳信号处理方法。该方法是一种经典的字典学习算法，它在每次迭代过程中仅更新一个原子，所以更为收敛，并且该方法训练学习到包含冲击成分的超完备字典，克服了固定字典结构适应性不强的弊端。通过约束问题的稀疏表征和奇异值分解更新算法交替进行，最终得到自适应的超完备字典。该算法具有完备的理论基础，同时凭借其自适应性强、方法高效被广泛应用于故障诊断中。

但是滚动轴承的振动信号中不仅含有周期冲击分量，而且含有大量的谐波分量和噪声干扰，从而使得学习到的字典中不可避免的会含有与噪声或谐波分量相似的原子，从而降低滚动轴承故障冲击特征的有效提取，导致不能很好地诊断滚动轴承故障。

发明内容

本发明的目的在于提供一种通过以实现振动信号中冲击特征的自适应有效提取，削弱噪声和谐波干扰对滚动轴承故障冲击特征稀疏表示的影响的方式来提高滚动轴承故障特征的提取精度的一种基于聚类K-SVD算法的滚动轴承故障诊断方法。

本发明采用的技术方案如下：

本发明所提出的一种基于聚类K-SVD算法的滚动轴承故障诊断方法，包括以下步骤：S1、采集滚动轴承振动信号；S2、采用基于粒子群优化的时变滤波经验模态分解算法对采集到的滚动轴承振动信号进行自适应分解，得到若干本征模式分量；S3、计算每个本征模式分量的相关峭度指标(K_cr)；S4、采用聚类K-SVD算法对相关峭度指标K_cr最大的本征模式分量进行字典学习，获得含有明显冲击特征原子的超完备字典D_New；S5、采用正交匹配追踪算法和超完备字典D_New对滚动轴承振动信号进行稀疏表示；S6、采用Teager能量算子对稀疏表示结果进行解调分析，获得解调包络谱；S7、利用所述解调包络谱识别滚动轴承故障频率特征，进行滚动轴承故障诊断。

进一步的，所述步骤S2具体包括：

(1)设置时变滤波经验模态分解算法中的带宽阈值ε和B样条阶数n的搜索范围分别为[0.1 1]和[5 30]，并将这两个参数共同构成粒子的位置坐标；

(2)利用不同的粒子位置信息，采用时变滤波经验模态分解算法对振动信号进行自适应分解，得到若干本征模式分量，计算每个粒子位置信息所对应的所有本征模式分量的包络熵E_p，并将包络熵的最小值作为该粒子的适应度值；