A feature extraction method of rolling bearing based on KSVD dictionary learning is proposed. First, the vibration acceleration signals of the bearing are segmented into a dictionary learning training set to ensure that each signal contains only one shock. The learning dictionary is obtained by KSVD algorithm learning; a signal Y is intercepted from the vibration acceleration signals of the bearing collected; and each row of atoms and signals y in the learning dictionary is calculated. The optimum dictionary is obtained by selecting the four atoms with the largest correlation coefficient for cyclic displacement; the signal is reconstructed by the orthogonal matching pursuit algorithm to obtain the time domain diagram of bearing fault feature extraction; the optimum dictionary constructed by the method of the present invention is closer to the actual vibration response waveform of local damage of rolling bearings, and has certain physical significance; and the learning words are eliminated. The redundant atoms in the classics improve the anti-noise ability of bearing feature extraction and can extract bearing fault features well.
【技术实现步骤摘要】
一种基于KSVD字典学习的滚动轴承故障特征提取方法
本专利技术涉及滚动轴承故障特征提取
,特别涉及一种基于KSVD字典学习的滚动轴承故障特征提取方法。
技术介绍
滚动轴承具有效率高、摩擦阻力小、装配方便、润滑容易等特点,在旋转机械中得到广泛的应用,对其运转状态的检测和故障诊断具有很重要的意义。当滚动轴承某一元件(外圈、内圈、滚动体和保持架)的表面出现局部损伤(点蚀、剥落、裂纹等)时,损伤表面与其他表面接触时产生的瞬态冲击力,能够激起包括轴承元件、传感器和相关结构的固有频率,产生具有共振调制特征的冲击响应信号。受信号传递路径的影响,实际采集的轴承振动信号十分复杂,含有大量噪声,多种组成成分的信号相互耦合,在总体振动信号中很难发现表征故障特征的微弱信号。因此,从总体振动信号中准确提取表征轴承故障的冲击响应信号是滚动轴承诊断的关键任务之一。目前,滚动轴承故障诊断常用的方法有三类:时域分析方法,如参数法、冲击脉冲等;频域分析方法,如共振解调法、倒频谱等;以及以小波变换为代表的时频分析方法等。然而,考虑到实际运行转速的波动和滚动体的滑动因素,轴承故障产生的瞬态冲击响应具有非平稳特性,这些方法的诊断能力会经常受到影响,因此学者们对一些新的信号处理方法进行了大量研究。近年来,信号稀疏表示理论在图像处理、语音识别等领域取得了巨大成就,也被引入到机械故障诊断领域。该算法从原子库中挑选一组基元函数即原子来计算信号的一个线性展开,并通过求解信号在各原子上的正交投影对信号进行连续逼近。然而用于轴承故障诊断的解析字典,绝大部分都是沿用常规的原子库模型来构造稀疏字典,很少有能准 ...
【技术保护点】
1.一种基于KSVD字典学习的滚动轴承故障特征提取方法,其特征在于,包括以下步骤:1)通过数据采集器利用加速度传感器对轴承运行过程的振动信号进行测量,获得的振动加速度信号作为待分析信号X(t),数据采集器的采样频率fs不小于10k,采样时间长度T不少于10s;2)将待分析信号X(t)分为m段,长度为n,保证每一段信号中只包含一个冲击,建立字典学习训练集X,字典学习训练集X的每一列为截取的一段信号,其中m≥4n;3)输入字典学习训练集X,设置稀疏度T为3,初始字典D的参数:行数为n,列数为K=2n,应用字典学习KSVD算法,经稀疏编码、字典更新两阶段得到最终的学习字典D1;4)从待分析信号X(t)中截取一段信号y,y中至少包含待分析信号X(t)中的3个冲击;5)取学习字典D1的一列di,并在di后面补0,使其信号长度与y一致,记为ci,其中i=1,2,3…,K;6)取补0后的ci,进行循环移位得到cij,每循环移位一次按公式(5)计算相关值kij,直至移位次数j=n,取相关值kij中的最大值,记为相关系数ki,
【技术特征摘要】
1.一种基于KSVD字典学习的滚动轴承故障特征提取方法,其特征在于,包括以下步骤:1)通过数据采集器利用加速度传感器对轴承运行过程的振动信号进行测量,获得的振动加速度信号作为待分析信号X(t),数据采集器的采样频率fs不小于10k,采样时间长度T不少于10s;2)将待分析信号X(t)分为m段,长度为n,保证每一段信号中只包含一个冲击,建立字典学习训练集X,字典学习训练集X的每一列为截取的一段信号,其中m≥4n;3)输入字典学习训练集X,设置稀疏度T为3,初始字典D的参数:行数为n,列数为K=2n,应用字典学习KSVD算法,经稀疏编码、字典更新两阶段得到最终的学习字典D1;4)从待分析信号X(t)中截取一段信号y,y中至少包含待分析信号X(t)中的3个冲击;5)取学习字典D1的一列di,并在di后面补0,使其信号长度与y一致,记为c...
【专利技术属性】
技术研发人员:梁霖,牛奔,刘飞,栗茂林,山磊,徐光华,
申请(专利权)人:西安交通大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。