基于快速多分离字典学习的风力机轴承故障诊断方法技术

本发明专利技术公开的基于快速多分离字典学习的风力机轴承故障诊断方法，包括以下步骤：获取风力机轴承信号，利用相空间重构将一维风力机故障信号重构到高维相空间，获得重构信号的矩阵，以此组成轴承故障诊断原始特征集Y；对上述样本矩阵进行分块，并通过K_means分类器按照不同的类别将样本矩阵分为L类；第i类矩阵信号，通过可分离字典学习进行优化和更新，并输出稀疏系数

【技术实现步骤摘要】
基于快速多分离字典学习的风力机轴承故障诊断方法
本专利技术涉及轴承的故障诊断领域，具体涉及基于快速多分离字典学习的风力机轴承故障诊断方法。
技术介绍
目前，滚动轴承已渗透到机械化生产的方方面面，其一旦发生故障，且故障早期未及时被发现，不仅可能引发新的故障，还会使设备损坏，造成巨大的经济损失。因此，面向轴承的早期故障诊断方法研究对保障设备安全运行意义重大。传统的轴承故障诊断技术针对振动信号时域或频域特征提取特征量进行故障识别，故障特征的有效提取直接影响故障诊断精度。尤其当轴承隐藏早期微弱故障时，故障信息被其它零部件振动信号与随机噪声淹没时，利用传统时频域方法较难提取。实际上，滚动轴承在不同故障状态下，因刚度、摩擦力、间隙、外载荷等因素影响，会呈现出强烈的非平稳及非线性特征，而传统的轴承故障诊断技术并未考虑轴承的非线性因素。因此，基于非线性时间序列分析的轴承故障诊断技术成为研究热点。相空间重构是解决非线性问题的主要方法，其将一维信号扩展到高维相空间，从信号本身获取其隐含的动力学特征，实现深层次信息的挖掘。故障振动信号中的噪声对相空间本文档来自技高网...

【技术保护点】
1.基于快速多分离字典学习的风力机轴承故障诊断方法，其特征在于，包括步骤如下：/n步骤S1、采集风力机轴承信号，通过相空间重构构造训练样本矩阵；/n步骤S2、对上述样本矩阵进行分块，并通过K_means分类器按照不同的类别将样本矩阵分为L类；/n步骤S3、对第i类矩阵信号，通过可分离字典学习进行优化和更新，并输出稀疏系数

【技术特征摘要】
1.基于快速多分离字典学习的风力机轴承故障诊断方法，其特征在于，包括步骤如下：
步骤S1、采集风力机轴承信号，通过相空间重构构造训练样本矩阵；
步骤S2、对上述样本矩阵进行分块，并通过K_means分类器按照不同的类别将样本矩阵分为L类；
步骤S3、对第i类矩阵信号，通过可分离字典学习进行优化和更新，并输出稀疏系数可分字典Ai，Bi；
步骤S4、重复步骤S3，获取所有稀疏系数和字典矩阵的集合，并通过2D_OMP算法进行重构；
步骤S5、对信号Yi进行集成处理，得到Y'，输出反映故障特征的信号Y'。


2.如权利要求1所述的基于快速多分离字典学习的风力机轴承故障诊断方法，其特征在于，所述步骤S1中的信号记为yi，其中i＝1,2,3,…,N；引入相空间重构，将信号重构到一个l维的相空间，重构后的序列表达式为yi＝(yi+(l-1)τ,…,yi+τ,yi)；行向量yi表示相空间重构的单个位置信息；非线性动力学系统定义指出，这些向量以列的方式连接形成轨迹矩阵，从而创建下列相空间重构矩阵：Y＝(Y1+(l-1)τY2+(l-2)τ…YN)T；式中：yi为第i个相点；l为嵌入维数；τ为延迟时间。


3.如权利要求1所述的基于快速多分离字典学习的风力机轴承故障诊断方法，其特征在于，所述步骤S2中，通过K_means分类器对信号矩阵进行分类，L为分成的小矩阵的个数，其取决于信号矩阵的大小。


4.如权利要求1所述的基于快速多分离字典学习的风力机轴承故障诊断方法，其特征在于，所述步骤S3中，引入2D_OMP算法和可分离字典分别对每一类矩阵的系数矩阵和字典矩阵进行更新在，每一类的分离字典优化过程中有三个未知量，分别是分离字典Ai和Bi，以及稀疏系数矩阵
在已知最优化理论中，因为l0范数是非凸的，不能采用凸优化算法进行求解，所以经常会将作为稀疏度量函数的l0范数松弛为l1范数进行求解；
如果将步骤S1中样本信号矩阵Y分成L块，则第i块的信号矩阵数为Ni，A＝{A1,A2,…,AL}和B＝{B1,B2,…,BL}分别表示由分离字典组成的字典序列，因此多分离字典的目标函数可以表示为：



因为各信号样本矩阵之间是相互独立，因此公式(1)可拆分为多个相互独立的目标函数之和，对其中第i个目标函数有：...

【专利技术属性】
技术研发人员：王森林，吕勇，易灿灿，周明乐，李小彪，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北;42