基于稀疏采样的数据修复及故障分类研究

发布时间：2020-11-02 20:07

　　 为了解决信号采集中受损数据的修复问题,降低信号稀疏度对修复效果的影响,同时实现欠采样条件下机械故障的识别,本文基于稀疏表示理论,研究了基于稀疏采样的数据修复方法、基于稀疏度自适应的数据修复方法、基于稀疏采样的故障分类方法。具体研究内容如下:(1)开展了基于稀疏采样的数据修复方法研究。在实际振动信号采集中,可能会由于信号采集系统不稳定导致部分数据丢失。针对信号采集中受损数据的修复问题,结合压缩感知框架,建立了基于稀疏采样的数据修复模型。首先基于振动信号波形特征和先验知识,选择适当的稀疏字典实现信号稀疏化;其次以单位矩阵为基础,根据数据的缺失模型构造观测矩阵;最后采用稳定的稀疏求解算法重构出完整数据,实现受损数据修复。此外,还探究了不同稀疏字典下受损信号的修复情况,分析了振动信号在不同字典下的稀疏特性。通过仿真信号及实测信号验证了方法有效性,结果表明,相比于受损信号,修复信号更有利于后续故障诊断;对比了传统数据修复方法,基于稀疏采样的数据修复方法在修复精度上更具有优势。(2)开展了稀疏度自适应的数据修复方法研究。基于压缩感知的数据重构方法可用于解决信号采集中受损数据的修复问题,该算法首先需要已知数据稀疏度,而振动信号的稀疏度通常难以确定,增加了数据修复的难度,因此建立了基于稀疏度自适应的数据修复模型。探讨了稀疏度自适应匹配追踪算法(SAMP)中迭代步长及终止系数对修复性能的影响,分析了该方法的使用条件。此外,针对SAMP算法修复结果受终止条件影响较大,导致修复精度不高且效率较低的问题,提出了终止准则改进的稀疏度自适应数据修复方法。通过仿真信号及实测信号验证了方法的有效性,且改进的SAMP算法在重构精度和运算效率上均有所提高。对比了不同稀疏求解方法下振动信号修复效果,结果表明,改进的SAMP算法修复效果优于正交匹配追踪(OMP)与正则化正交匹配追踪(ROMP)。(3)开展了基于稀疏采样的故障分类方法研究。香农采样定理为信号处理技术奠定了基础,但也带来了数据传输及处理的巨大压力。为解决海量数据对故障诊断的压力问题,研究了基于稀疏表示的故障分类方法,用于实现欠采样条件下机械故障诊断。探究了基于冗余字典的信号稀疏表示方法,建立了冗余字典下稀疏表示分类模型。针对稀疏表示分类模型中稀疏矩阵构造复杂的问题,研究了基于小波模极大值(WTMM)的信号稀疏表示方法,从而将稀疏矩阵由复杂的样本字典替换为单位矩阵,降低了方法复杂度。此外,为克服信号时移对分类结果的影响,用最大互相关度替代最小冗余误差作为故障判定准则。通过轴承及齿轮信号验证了方法有效性。相比其他分类算法,该方法无需设计分类器,也无需计算特征参数,避免了由于特征参数选取不当对分类结果的影响。
【学位单位】：北京化工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TN911.7
【部分图文】：

号稀疏度自适应修复方法及机械故障稀疏分类方法研究。解决了三大关键问题：信号??采集中受损数据的修复问题、未知稀疏度情况下的数据修复问题以及海量数据对故障??诊断的压力问题。研宄思路如图１－１所示。基于上述关键问题，确定了研究内容：基??于稀疏采样的振动数据修复、基于稀疏度自适应的数据修复以及基于稀疏采样的故障??分类方法，具体阐述如下：??（１）

图１－２论文研宄内容??Ｆｉｇ．?１－２?Ｒｅｓｅａｒｃｈｉｎｇ?ｃｏｎｔｅｎｔ?ｏｆ?ｔｈｅ?ｐａｐｅｒ??６??

?第二章基于稀疏采样的数据修复方法研究０．０１ｓ；?１／７１Ｐ１００ＨＺ为故障特征频率；采样频率为１００００Ｈｚ。为保证信号幅值处于数量级，下列信号均经过归一化处理。完整的仿真信号如图２－４所示。??设在数据采集过程中由于某些外界原因造成数据丢失，受损信号缺失一个冲击值，丢失数据为原数据１０％，如图２－５所示。采用稀疏采样的数据修复方法进行数修复。首先选取能够将信号稀疏分解的字典矩阵作为稀疏矩阵。由于信号经过离散弦变换（ＤＣＴ）后对应的系数较为稀疏，如图２－６，因此将ＤＣＴ字典作为稀疏矩分别采用ＯＭＰ、ＲＯＭＰ算法进行信号修复，修复后仿真信号如图２＿７、图２－８。??
【参考文献】

相关期刊论文 前10条

1 樊薇;李双;蔡改改;沈长青;黄伟国;朱忠奎;;基于小波基稀疏信号特征提取的轴承故障诊断[J];振动工程学报;2015年06期

2 邓飞跃;唐贵基;王晓龙;;谐波分解结合自互补Top-Hat变换的轴承微弱故障特征提取方法[J];振动工程学报;2015年06期

3 桂要生;邹孝;肖盛;戴苏秦;钱盛友;;一种改进的基于纹理合成的数字图像修复方法[J];计算机与数字工程;2015年09期

4 余竹;夏禾;殷永高;孙敦华;;基于小波变换与Lipschitz指数的桥梁损伤识别研究[J];振动与冲击;2015年14期

5 陈泽墅;常丽萍;;一种基于压缩感知的改进的缺失数据修复算法[J];科技展望;2015年07期

6 杜海顺;张旭东;金勇;侯彦东;;基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法[J];电子学报;2014年12期

7 吕伟杰;陈霞;刘红珍;;基于压缩感知的自适应匹配追踪算法优化[J];系统工程与电子技术;2015年05期

8 周亚同;王丽莉;唐红梅;;基于压缩感知的稀疏度自适应图像修复[J];铁道学报;2014年09期

9 张新鹏;胡茑庆;程哲;钟华;;基于压缩感知的振动数据修复方法[J];物理学报;2014年20期

10 张长青;陈砚圃;;离散余弦小波包变换及语音信号压缩感知[J];声学技术;2014年01期

相关博士学位论文 前3条

1 罗晓宇;基于信号稀疏表示的阵列测向算法研究[D];电子科技大学;2016年

2 黄安民;基于感知字典的稀疏重建算法研究[D];电子科技大学;2011年

3 雷亚国;混合智能技术及其在故障诊断中的应用研究[D];西安交通大学;2007年

相关硕士学位论文 前10条

1 柯燕亮;基于压缩感知的故障检测与分离方法研究[D];北京化工大学;2017年

2 姜景升;基于局部切空间排列算法的故障特征提取及识别方法研究[D];北京化工大学;2017年

3 杨琴;基于压缩感知的旋转机械故障分类与识别方法研究[D];北京化工大学;2016年

4 古礼衍;图像稀疏恢复的特征表示算法研究[D];电子科技大学;2016年

5 方杰;压缩感知观测矩阵和重构算法的研究[D];华南理工大学;2015年

6 陈泽墅;基于稀疏表示的图像修复算法研究[D];浙江工业大学;2015年

7 雷蕾;基于小波模极大值点的信号稀疏表示及压缩感知重构[D];北京交通大学;2014年

8 陈浪;信号的稀疏表示及其应用研究[D];复旦大学;2013年

9 方宝龙;基于纹理合成的图像修复算法研究[D];山东大学;2013年

10 徐亚军;基于阶比多尺度线调频小波路径追踪的滚动轴承故障诊断方法研究[D];湖南大学;2013年

本文编号：2867508