基于压缩感知理论的轴承振动信号检测与重构方法研究

发布时间：2020-06-28 11:09

【摘要】：现代工业生产中,滚动轴承在旋转类机械中发挥着极其重要的作用。然而,重大机械装备在工作时常常面临着工作载荷多变、工况复杂、转速高等复杂的情况,使得轴承在这种环境下的故障发生概率大大地增加。由于轴承故障信息会在机械振动信号中有所体现,因此对设备运转过程中产生的振动信号进行监测与分析,就能够最大限度地挖掘设备的工作潜力,提前定位以及预示故障、了解故障产生的机理并及时针对机械故障采取相应的措施,减小或尽可能避免故障所带来的一些不必要的损失。机械设备运转过程中的状态信息、故障信息都可以通过振动信号的形式加以表现。传统的信号采集方式主要依赖于香农-奈奎斯特采样定理,但该理论一个致命的缺陷是受制于被采信号频率,如果在高转速设备中依旧使用该定理采样,不仅对采样设备提出更高的要求,而且,即使在采样设备满足的条件下,也势必会产生海量的数据,这对于后续数据的传输,存储和处理都带来了巨大的压力。2006年以来,压缩感知理论的提出,颠覆了传统的香农-奈奎斯特采样理论对采样频率要求的限制,不仅实现了采样与压缩同时进行,还可以对信号进行准确重构恢复。压缩感知理论主要有稀疏表示、测量矩阵的设计以及重构方法三部分组成,其中重构方法是其中的一个重要环节,为此,本文以轴承振动信号为对象,对重构算法及其重构精度的改善进行了分析与研究,所取得的主要研究成果如下:(1)对压缩感知理论和信号波形检测理论进行了研究。相比于传统的香农-奈奎斯特采样理论随着信号频带越来越宽,如果继续对信号进行采样必然会带来海量的数据和巨大的计算量,压缩感知理论能够突破这种限制,减少采样数据量,为振动信号的处理与检测创造有利条件。通过对信号波形检测理论的研究,将其运用到基于压缩感知理论的重构算法对信号的重构过程中,从而提高信号的重构精度,减小重构误差。(2)由于采集到的滚动轴承振动信号一般都含有多种干扰信息,且具有随机性、非平稳性的特点,因此不宜直接提取特征应用于后续的分析处理。鉴于压缩感知理论在信号处理方面优秀的表现能力,结合局部均值方法(LMD)以及主成分分析法(PCA)在特征提取方面的优越性,提出了一种基于局部均值方法和主成分分析方法的振动信号压缩域的故障特征提取方法。首先运用LMD对信号的压缩测量值进行分解获得信号的压缩测量值不同的PF分量,同时运用主成分分析方法对信号压缩测量值进行故障信息的分析研究。通过理论分析和仿真实验结果表明,在相同条件下用上述方法基于信号的压缩测量值进行故障的研究分析,能够准确地表现出来。(3)针对传统的重构算法在进行振动信号的重构时,总是先匹配能量较大的信号成分,而对于蕴含有机械设备故障信息的能量较小的信号成分可能被忽略,从而造成重构信号丢失重要关键信息的问题,提出了一种基于奈曼-皮尔逊(Neyman-Pearson)准则的振动信号压缩测量值的检测与重构方法。第一步,用随机高斯测量矩阵对样本信号进行线性压缩测量得到低维的压缩测量值;第二步,基于奈曼-皮尔逊准则对压缩测量值进行检测,得到影响信号重构误差的最佳参数;第三步,重构算法选用分段正交匹配追踪算法对基于压缩测量值的信号进行重构恢复。仿真实验结果表明:与传统的经典正交匹配追踪算法(OMP)和分段正交匹配追踪算法(StOMP)相比,本文所提的方法能够大大减小信号的重构误差,更能准确地恢复原始振动信号。
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH133.33
【图文】：

流程图,皮尔逊准则,振动信号,流程图

精确地恢复原始振动信号继而影响到对振动信号的后续处理进程。如果能够被精确地恢复，则后续处理能够得到正确的结果，如果振动信号被差较大，则后续处理很可能得到错误的结果。传统的重构算法常常采用算法，其在对振动信号进行重构恢复的过程中，总是先匹配能量较大的于能量较小部分最后可能被忽略，造成重构误差，从而引起重构信号与差异，造成振动信号一些关键信息的丢失。针对这一问题，为了减小重本章首先基于奈曼-皮尔逊准则对振动信号的压缩测量值进行检测，之后段正交匹配追踪算法(StOMP)进行重构，仿真实验表明，该方法能够大构误差，精确恢复原振动信号。机械振动信号压缩测量值检测与重构方法整体方案设计对传统的贪婪迭代重构算法在匹配时可能会忽略能量比较小的信号，而比较小的信号部分可能蕴含着有关机械设备故障的关键信息，为此，本一种基于奈曼-皮尔逊准则的机械振动信号压缩测量值的检测与重构方的流程图如图 4.1 所示。

时域波形,振动信号,傅里叶系数,时域波形

振动信号的稀疏表示

【相似文献】