基于稀疏表征及字典学习的故障诊断方法研究
发布时间：2020-03-24 14:58
【摘要】：随着科学技术的飞速发展,现代机械设备越来越大型化、高速化、重载化和智能化,而这些设备的运行工况却越来越复杂和苛刻,因此要求其具有很高的运行可靠性。如果机械设备中某些关键部件发生了故障,不但会造成企业和国家的巨大经济损失,严重时甚至会导致人员伤亡和环境污染并造成恶劣的社会影响。因此机械设备的状态监测和故障诊断对保障企业的经济效益和工人的安全意义重大。本文以稀疏表征理论和字典学习方法为基础,以滚动轴承、齿轮和转子等旋转机械关键零部件为研究对象,其中字典学习方法以K-SVD算法为基础,围绕着基于K-SVD算法的字典学习以及稀疏表征方法开展了四个方面的研究:基于移不变K-SVD字典学习的微弱故障特征提取;基于移不变K-SVD字典学习的单通道复合故障分析;基于K-SVD和改进LLC算法的局部约束稀疏特征提取;基于时频图像和K-SVD判别式字典学习的智能诊断。本文的主要研究内容如下所示:(1)针对信号中存在周期性重复出现的特征模式的问题,提出了一种基于移不变K-SVD字典学习的机械故障信号特征提取方法。该方法主要包括两大步即多个故障特征模式学习和最优潜在成分的选择,能够有效地提取出机械故障信号中周期性重复出现的故障特征。通过仿真和实验分析,并与基于K-SVD字典学习和小波字典匹配追踪的信号特征提取方法进行了对比,验证了所述方法的有效性。(2)针对机械复合故障,提出了一种基于移不变K-SVD字典学习和自适应聚类的单通道盲源分离方法。该方法先用移不变K-SVD字典学习方法对单通道复合故障信号进行自适应学习得到一组基函数及对应的潜在成分,然后根据潜在成分的结构相似性进行聚类分析并使用最小类类间相关系数均值来确定最佳聚类数目,最终实现不同故障源信号的分离。通过滚动轴承复合故障的仿真和实验分析,验证了该方法的有效性。(3)为了使不同状态信号具有更好的可区分性,从而提高故障诊断准确率,在局部约束线性编码(LLC)算法的基础上,提出了一种基于K-SVD字典学习和改进LLC稀疏编码的局部约束稀疏特征提取方法。该方法首先使用时域和频域等特征提取方法提取机械振动信号的特征并将其作为初始特征,之后进行每类K-SVD字典学习获得包含各个状态类别的过完备字典,然后利用改进LLC算法得到基于改进LLC稀疏编码的局部约束稀疏特征,最后将改进LLC稀疏编码作为特征向量,利用改进PSO算法优化的SVM对机械故障进行诊断。通过滚动轴承单一故障和复合故障试验,对所述方法的可行性和有效性进行了验证。(4)机械振动信号的时频图蕴含着丰富的特征信息,为实现时频特征的自动分类识别,提出了一种基于机械振动信号时频图和判别式字典学习的故障诊断方法。该方法首先对机械振动信号进行小波变换以获得小波时频图,然后采用灰度共生矩阵提取小波时频图的纹理特征,最后利用基于判别式K-SVD字典学习的标签一致K-SVD(LC-KSVD)算法实现故障的智能诊断。通过滚动轴承故障和转子故障的诊断,验证了该方法的有效性。
【图文】：
图 2-1 不同 p 值对应的曲线ppsFig.2-1 The behavior ofpps for different values of p上是 Lp范数最优化问题，右边等式 x = Ds定义了一个何空间中，可以把这个子空间视为一个超平面，那么是在该超平面上搜寻向量 s 的 Lp范数最小的解。选取和 0.7，如图 2-2 所示，紫色代表 x = Ds对应的可行解超数，不断吹蓝色“气球”，“气球”会一直膨胀，直至第停止，，相交点性质即为我们关心的问题。由图可见，当超平面相交点的三个坐标值均非零，因此为非稀疏解。超平面相交点位于坐标轴上，其他坐标轴的值为零，因取小于 1 的其他值时，Lp范数与可行解超平面相交点都。因此通常采用 p∈ [0,1]范围内的pl 范数作为稀疏性度问题是凸优化问题，可以使用基追踪算法求解。而 p∈凸的，可以采用贪婪算法或 FOCUSS 算法求解，具体
图 2-2 Lp范数球面与 x = Ds可行解超平面的相交点：p=2 (左上)，p =1.5 (右上)，p =1 (左下)，p =0.7 (右下)e intersection between the ball representing Lpnorm and the hyperplane representinon of x = Ds：p=2 (top left), p=1.5 (top right), p=1 (bottom left) and p=0.7 (botto疏系数求解算法-3)所示的信号稀疏表征求解方法实际上是基于 L0范数的优化问题。度量解的稀疏性的函数，但 L0范数优化是一个非凸的 NP 难问题，为组合方法，给定稀疏约束条件 L0=p，从字典中依次选择 p 个原子形成选择的 p 个原子能否精确表征信号。组合方法的计算复杂度很高，在现。因此，需要将稀疏约束条件尽量放松，常用 Lp范数代替 L0范数数，即松弛优化方法。此外，也可以采用贪婪追踪算法求解次优的 = 1即 L1范数时，L1范数优化为凸优化问题，可以使用在稀疏表征中 (Basis Pursuit, BP)[153]方法来求解。当0 < p< 1时，可以采用 FOCU相对于 L1范数，Lp(0 < p<1)范数获得的表征更加稀疏，但由于 Lp(0
【学位授予单位】：上海交通大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TH17;TP181
本文编号：2598492
【图文】：
图 2-1 不同 p 值对应的曲线ppsFig.2-1 The behavior ofpps for different values of p上是 Lp范数最优化问题，右边等式 x = Ds定义了一个何空间中，可以把这个子空间视为一个超平面，那么是在该超平面上搜寻向量 s 的 Lp范数最小的解。选取和 0.7，如图 2-2 所示，紫色代表 x = Ds对应的可行解超数，不断吹蓝色“气球”，“气球”会一直膨胀，直至第停止，，相交点性质即为我们关心的问题。由图可见，当超平面相交点的三个坐标值均非零，因此为非稀疏解。超平面相交点位于坐标轴上，其他坐标轴的值为零，因取小于 1 的其他值时，Lp范数与可行解超平面相交点都。因此通常采用 p∈ [0,1]范围内的pl 范数作为稀疏性度问题是凸优化问题，可以使用基追踪算法求解。而 p∈凸的，可以采用贪婪算法或 FOCUSS 算法求解，具体
图 2-2 Lp范数球面与 x = Ds可行解超平面的相交点：p=2 (左上)，p =1.5 (右上)，p =1 (左下)，p =0.7 (右下)e intersection between the ball representing Lpnorm and the hyperplane representinon of x = Ds：p=2 (top left), p=1.5 (top right), p=1 (bottom left) and p=0.7 (botto疏系数求解算法-3)所示的信号稀疏表征求解方法实际上是基于 L0范数的优化问题。度量解的稀疏性的函数，但 L0范数优化是一个非凸的 NP 难问题，为组合方法，给定稀疏约束条件 L0=p，从字典中依次选择 p 个原子形成选择的 p 个原子能否精确表征信号。组合方法的计算复杂度很高，在现。因此，需要将稀疏约束条件尽量放松，常用 Lp范数代替 L0范数数，即松弛优化方法。此外，也可以采用贪婪追踪算法求解次优的 = 1即 L1范数时，L1范数优化为凸优化问题，可以使用在稀疏表征中 (Basis Pursuit, BP)[153]方法来求解。当0 < p< 1时，可以采用 FOCU相对于 L1范数，Lp(0 < p<1)范数获得的表征更加稀疏，但由于 Lp(0
【学位授予单位】：上海交通大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TH17;TP181
【参考文献】
相关期刊论文 前3条
1 毋文峰;陈小虎;苏勋家;;基于经验模式分解的单通道机械信号盲分离[J];机械工程学报;2011年04期
2 袁胜发;褚福磊;;支持向量机及其在机械故障诊断中的应用[J];振动与冲击;2007年11期
3 毕果;陈进;李富才;何俊;周福昌;;谱相关密度分析在轴承点蚀故障诊断中的研究[J];振动工程学报;2006年03期
相关硕士学位论文 前1条
1 罗江华;贝叶斯网络在机械故障诊断中的应用研究[D];重庆大学;2006年
本文编号：2598492
本文链接：https://www.wllwen.com/jixiegongchenglunwen/2598492.html
