旋转机器设备多源监测信息的压缩与重构算法研究

发布时间：2020-09-09 10:11

　　随着科技水平的高速迅猛发展,大型、高速的旋转机器设备在各个领域尤其是无线传感领域的应用越来越广泛,由此产生的海量设备监测信息给传统信号处理方法带来了巨大的压力。为此,本文在旋转机器设备信号处理中引入压缩感知,从单源、多源监测信息压缩与重构方面展开研究。首先,通过详细介绍压缩感知以及分布式压缩感知理论,针对旋转机器设备信息依据传统技术进行处理存在的不足,对单源监测信息压缩与重构展开研究。针对单源信号在时域不稀疏,如何选择合适稀疏基的问题,对单源信号在傅立叶基、小波基、离散余弦基上分别进行稀疏表示。针对不同测量矩阵和不同重构算法对重构误差影响的不同,提出了对单源监测信号在多种测量矩阵和多种重构算法下的重构性能进行比较以选择合适的测量矩阵和重构算法,为进一步研究多源监测信息压缩与重构奠定基础。其次,针对目前多传感器信号采集的需求日益增加,提出对旋转机器设备多源监测信息压缩与重构展开研究。通过对多源监测信息稀疏性分析,针对JSM-2联合稀疏模型,研究并比较了几种适用于MMV模型的分布式联合重构算法。针对SOMP联合重构算法对多源信号进行重构时每次选择一个原子导致迭代次数过大、计算量增加的问题,提出了一种适合多源监测信息的改进联合重构算法。仿真结果表明,与非联合重构算法及其它联合重构算法相比,该算法不仅在重构精度方面明显提高,而且在运行效率方面也有明显改善。最后,针对传统压缩感知重构算法在重构信号时只考虑重构误差和稀疏性,将其运用到设备状态分类存在明显局限性的问题,提出了一种基于非最小重构误差准则的重构算法,该算法通过在目标函数中加入分类判别项使信号在重构时不仅考虑重构误差和稀疏性,而且也考虑不同状态信号间的差异性。仿真结果表明,与传统重构算法相比,利用该算法重构出的信号进行设备状态分类不仅解决了低采样率下设备状态分类准确率与运算复杂度的统一,而且也为设备状态的在线诊断提供了可能。
【学位单位】：中国矿业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP212.9;TN929.5
【部分图文】：

示意图,信源编码,示意图,节点

在解码端得到的效果是一致的。由于相比于联合编码，独立编码更简单，因此在实际中应用比较广泛。图2-3 是两个相关信源节点的编码示意图，可以看到，在编码时无需在 X 和Y 两个节点间通信，节点X和节点Y分别独立进行编码，编码后的信号传输到解码端再利用X节点和Y节点信号间的相关性进行联合解码这样不仅可以在进行信号传输时，降低信源节点的复杂度，而且也没把资源浪费在冗余信息上，可以对信号尽量进行高效处理。联合解码器XY编码器1编码器2X’Y’图 2-3 分布式信源编码示意图Figure 2-3 Distributed source coding schematic

测试曲线,轴承振动,信号,变换矩阵

2 4 2( 1)1 2( 1) ( 1)( 1)11N N NNN N N NN N N NN N NW W WW W W W 这里的变换矩阵NW 的列向量不是单位向量，所以变换矩阵W变换矩阵NW 除以一个系数使其变为正交矩阵可得离散傅立叶3）。1 2 12 4 2( 1)1 2( 1) ( 1)( 1)1 1 1 11111NN N NNN N NN N N NN N NW W WW W WNW W W 1 所示为正常轴承振动信号一路测试曲线，截取长度为 256 的散傅立叶变换基上稀疏表示如图 3-2 所示，由于傅立叶变换是示 128 个样本点。

测试曲线,轴承振动,离散傅立叶变换,信号

(3-3)图 3-1 所示为正常轴承振动信号一路测试曲线，截取长度为 256 的轴承振动信号在离散傅立叶变换基上稀疏表示如图 3-2 所示，由于傅立叶变换是对称的，所以只显示 128 个样本点。幅值/g图 3-1 原始轴承振动信号Figure 3-1 Original bearing vibration signal

【参考文献】