基于稀疏表示的滚动轴承特征提取与信号分离方法研究
为解决复杂工况下传统稀疏表示模型难以准确表征信号的问题，提高形态分量分析(MCA)方法分解多分量复杂信号的精确度，实现多参数下可调品质因子小波变换(TQWT)最优小波基自适应选取及稀疏字典构建，本文基于稀疏表示和共振稀疏分解的相关理论，研究了基于交替方向乘子法的非凸正则化轴承故障诊断方法、基于K-SVD字典学习的MCA信号分离方法以及基于自适应TQWT基原子字典的故障诊断方法。主要内容如下: (1)建立了基于交替方向乘子法(ADMM)的非凸正则化轴承故障诊断模型。针对强背景噪声下设备故障特征微弱，导致信号在传统稀疏模型下的稀疏表征效果不佳，难以准确诊断机械设备运行状态的问题，建立了基于交替方向乘子法的非凸正则化轴承故障诊断模型。首先，根据振动信号特征和非凸惩罚函数理论，构建非凸正则化稀疏表示模型;其次，由于所构造的非凸正则化稀疏表示模型的目标函数较复杂，使用单一优化算法难以求解，将ADMM算法思想引入非凸优化问题的优化求解过程中;最后，利用所求稀疏解重构信号，实现信号弱故障特征的准确诊断。 (2)开展了基于K-SVD字典学习的MCA信号分离方法研究。根据振动信号冲击分量的结构特点，利用K-SVD算法学习与其相匹配的稀疏字典，以充分学习信号冲击特征，实现信号多分量的准确分离。采集实验室滚动轴承故障信号验证方法有效性，结果表明，基于K-SVD字典学习的MCA信号分离方法能够从强背景噪声下的轴承弱故障信号中分离出冲击特征，实现轴承的微弱故障诊断;与基于K-SVD字典学习的故障诊断算法相比，该方法仍然表现出了更强的故障特征提取能力。 (3)提出了基于自适应TQWT基原子字典的故障诊断方法。基于TQWT算法、能量加权归一化小波熵等理论，建立了自适应TQWT基原子字典模型;利用正交匹配追踪(OMP)算法实现信号在该字典下的稀疏表征。采用上述所提方法来分析处理实验室中滚动轴承的故障信号，由实验结果可以得出结论:基于自适应TQWT基原子字典的故障诊断技术，能够准确提取出轴承故障特征，实现滚动轴承微弱故障诊断。
滚动轴承;特征提取;信号分离;稀疏表示;非凸正则化
北京化工大学
硕士
机械工程
王华庆
2021
中文
TP391.41;TH133.33
2021-09-06（万方平台首次上网日期，不代表论文的发表时间）