[发明专利]一种基于卷积极大极小凹罚算法的旋转机械故障诊断方法

权利要求书

1.基于卷积极大极小凹罚算法的旋转机械故障诊断方法，其特征在于，包括以下步骤：

步骤S1、采集旋转机械振动加速度响应信号及转速信号，并记录可能存在的故障特征信息；

步骤S2、从采集到的数据中截取一段振动信号，以移不变K-SVD方法从中获取模式，模式为一波形呈现冲击衰减特性的向量；

步骤S3、以获取到的模式作为输入，通过卷积极大极小凹罚算法求解稀疏系数，将稀疏系数与模式卷积，得到重构故障特征；求解稀疏系数具体步骤如下：

(1)输入信号x、模式d、正则化参数λ、常量μ、参数γ以及最大迭代次数I_max；

(2)初始化辅助变量s⁽⁰⁾和v⁽⁰⁾为零向量，令迭代次数i＝0，模式d补零为并归一化为d₁∈R^N×1；

(3)频域更新辅助变量w⁽ⁱ⁾

式中表示向量的傅里叶变换，为向量傅里叶变换的共轭，均可由FFT(Fast FourierTransform)快速计算，表示向量的傅里叶逆变换，可通过IFFT(Inverse FastFourier Transform)快速计算，频域更新w⁽ⁱ⁾的计算量以FFT和IFFT的计算量为主，所需的时间复杂度及空间复杂度都较低；

(4)频域更新辅助变量u⁽ⁱ⁾

(5)更新辅助变量s⁽ⁱ⁺¹⁾

s⁽ⁱ⁺¹⁾＝T_λμ(w⁽ⁱ⁾)

其中T_λμ为软阈值函数，λμ为其阈值，为向量点乘运算，绝对值函数|·|、符号函数sign(·)和max(·)函数均是对向量的每一个分量做处理；

(6)更新辅助变量v⁽ⁱ⁺¹⁾

v⁽ⁱ⁺¹⁾＝T_λμ(u⁽ⁱ⁾)

(7)令i＝i+1，若iI_max，则进行后续步骤(8)，若i≤I_max，则继续重复步骤(3)-步骤(7)；

(8)输出稀疏系数

上述求解步骤中涉及到的正则化参数λ设置为λ＝αδ，其中α取3.3～10，δ为信号x中噪声的估计标准差，由δ＝MAD(x)/0.6745估计得到，MAD(x)为信号x的绝对中位差，MAD(x)＝median(|x-median(x)|)，median(·)为向量的中位数，常量其中常量关键参数γ取0.8，最大迭代次数I_max为1000次；

S33、将模式d与稀疏系数卷积，得到重构故障特征信号其中*为卷积运算符；

步骤S4、分析提取的故障特征信号的时域特征与解调谱特征，确定故障类型，完成故障诊断。

2.根据权利要求1所述的基于卷积极大极小凹罚算法的旋转机械故障诊断方法，其特征在于，所述步骤S1中具体包括：

S11、将三向加速度传感器安装于设备旋转轴承座处，并连接好数据采集仪与便携式计算机；

S12、设置数据采集仪的采样频率为f_s，采集并保存对应的振动加速度时域信号，以光电脉冲编码器采集输出轴的转速信号，根据设备结构分析并记录可能出现的齿轮以及轴承的故障类型，记录由运行工况决定的故障特征频率。