[发明专利]一种面向机械故障诊断的振动信号重构方法

摘要

本发明提供了一种面向机械故障诊断的振动信号重构方法，在非负条件下，对原始振动信号进行更为稀疏的编码，提高信号频谱检测的有效性，属于振动信号处理技术领域。1、对机械系统振动信号采样，将原始振动信号重叠分割得到列向量构成训练样本。2、初始化学习字典，基于非负基追踪算法对训练样本进行稀疏编码得到初始化稀疏编码矩阵。3、固定稀疏编码矩阵，基于非负K奇异值分解算法优化更新学习字典。4、固定学习字典，基于非负基追踪算法进行稀疏编码更新对应的稀疏编码矩阵。5、循环前两步，交替迭代更新得到最终学习字典和最终稀疏编码矩阵。6、计算更新样本，逆叠加重构信号。7、提取重构信号的包络谱实现故障诊断。用于机械故障诊断。

主权项

一种面向机械故障诊断的振动信号重构方法，具体实施步骤包括：第一步、对机械系统连续的原始振动信号进行采样，将原始振动信号重叠、分割得到列向量，构成训练样本M：M＝M0+δ式中，M0表征理论上无噪声成分，δ表征噪声成分；第二步、初始化学习字典D＝[d1,d2,...]，每一列对应一原子d，基于非负基追踪算法对训练样本M进行稀疏编码，得到初始化稀疏编码矩阵C：minC||M-DC||22+2ωΣC]]>式中，学习字典D、训练样本M、稀疏编码矩阵C的任意元素均大于0，对于任意原子d，||d||＝1，常数ω＞0，表征振动信号重构精度和稀疏性的相对数值关系；第一项求M‑DC的l2范数重构误差，第二项是稀疏编码惩罚项，约束稀疏分布，确保能量函数逐步减小；第三步、固定稀疏编码矩阵C，基于非负K奇异值分解算法优化更新学习字典D：Dt＝Dt‑1‑υ(Dt‑1Ct‑1‑M)(Ct‑1)'式中，t是迭代次数，(.)'是矩阵转置，迭代步长υ＞0，原子d＜0时归零，确保学习字典D非负；第四步、固定学习字典D，基于非负基追踪算法进行稀疏编码，更新对应的稀疏编码矩阵C：Ct＝Ct‑1.×(Dt'M)./(Dt'DtCt‑1+ω)式中，.×和./是矩阵对应位置元素相乘除，稀疏编码矩阵C非负，确保达到要求精度下全局最小值；第五步、循环第三步和第四步，交替迭代更新得到最终学习字典和最终稀疏编码矩阵第六步、计算更新样本逆叠加重构信号；M^=D^C^]]>式中，求得的更新样本相较于训练样本M少了部分噪声成分；第七步、逆叠加重构信号，提取重构信号的包络谱实现故障诊断。