基于特征字典和稀疏表示的设备故障诊断方法研究
为解决复杂工况下机械设备振动信号特征提取及诊断困难的问题，同时降低冗余信息对故障诊断的影响。本文基于字典学习和稀疏优化理论，研究了基于迭代收缩阈值算法（IterativeShrinkageThresholdAlgorithm，ISTA）的稀疏表示优化算法、基于改进特征字典的稀疏表示故障特征提取方法及稀疏域自适应字典的故障诊断方法。主要内容如下： （1）提出基于迭代收缩阈值的稀疏表示优化算法。为增强低信噪比信号的故障特征，开展了基于套索模型结合lp范数约束的近端算子构建研究，讨论了常用非凸目标函数的平滑约束优化方法，提出了基于ISTA的轴承故障数学模型，并用于增强时域故障特征。首先，分析lp索套近端算子与迭代收缩阈值及交替方向乘子法（AlternatingDirectionMultiplierMethod，ADMM）的适配性，构建组稀疏及lp复合约束的非凸正则模型；其次，引入重加权算子并分别以其推导出可行解的迭代公式；最后，迭代优化，重构时域稀疏信号，实现故障特征的增强。实验证明，所提模型可降低信号中冗余信息，故障特征明显增强且运算速度较快。 （2）提出了基于松弛算法求解Laplace及组稀疏优化K-奇异值分解（K-singularvaluedecomposition，K-SVD）字典的故障诊断方法。利用冲击衰减与小波波形的天然近似性，建立松弛算法求解Laplace特征提取过程，首先利用Laplace小波学习振动信号的冲击特征，获取最佳阻尼比及振荡频率等参数，再依Toeplitz法则延拓出参数字典，为克服匹配追踪等贪婪算法求解过程产生的误差，提出以时域稀疏松弛算法更新求解。针对学习字典易受噪声影响的问题，分别讨论了基于能量因子的变分模态分解及稀疏预处理对特征学习过程的影响，提出基于能量残差模态分解结合组稀疏松弛优化的故障诊断方法；首先依据分解能量自适应确定分解层数K，进而获取待学习的模态分量，并迭代学习出字典原子，最后以近端算法重构时域信号，确定故障类型。所提算法应用于轴承微弱故障诊断，可有效提取故障特征。 （3）提出了基于自适应稀疏域变换的非凸正则故障特征提取方法。针对小波类字典求解效率较低的问题，开展了基于稀疏域字典的近端组稀疏故障诊断方法研究，实现了稀疏域下故障信号特征表达。首先，利用离散余弦和快速傅里叶变换将时域信号转换至对应的稀疏域；其次，构建出桥稀疏、重叠组稀疏及lp范数复合约束的非凸数学模型，为简化目标方程，引入加权因子，并推导出基于ISTA的近端求解公式；最后，再将稀疏域信号转回为时域信号，并通过时频分析确定故障类型。实验结果表明，域变换字典可有效挖掘信号中的故障信息，且计算、收敛速度较快。
设备故障诊断;稀疏表示;凸优化;字典学习;特征增强
北京化工大学
硕士
动力工程及工程热物理
王华庆
2022
中文
TP391.41
2022-11-02（万方平台首次上网日期，不代表论文的发表时间）