【技术实现步骤摘要】
一种基于改进低秩稀疏分解的旋转机械故障诊断方法
本专利技术涉及信号分析析领域，特别涉及一种基于改进低秩稀疏分解的旋转机械故障诊断方法。
技术介绍
在机械设备运行过程中,旋转部件是保障设备安全稳定运行的关键设备,一旦出现故障,轻者导致影响生产精度,重者引发重大设备故障和巨大经济损失。旋转机械的振动信号主要有两种,一种是磨损、不对中、不平衡等导致的平稳故障信号,另一种是裂纹、点蚀、剥落等导致的非平稳冲击类故障信号。因此,对故障的特征提取及故障诊断具有重大的意义。低阶稀疏分解(LRSD)问题在许多领域得到了广泛的关注，它出现在许多实际应用中，如振动信号分析、系统辨识、子空间分类、图像处理和高动态范围成像等。传统的低秩稀疏分解方法不能准确地恢复低秩分量，由于其秩函数的离散性和非凸性，低阶稀疏分解一般是一个非确定性多项式困难(NP-hard)问题。而大多数现有的LRSD算法是基于矩阵核范数，如文章《Rank-SparsityIncoherenceforMatrixDecomposition》(SiamJournalonOpti...
【技术保护点】
1.一种基于改进低秩稀疏分解的旋转机械故障诊断方法，其特征在于，包括以下步骤：/nS1、采集振动信号及转速信号，由振动信号构成振动数据矩阵，作为待分解量，同时计算旋转机械的故障特征频率；/nS2、利用截断核范数来代替矩阵核范数，同时提高真实数据的低阶分量的稀疏性来构建改进低秩稀疏分解优化目标函数；/nS3、为解决优化问题，提出一种两阶段迭代方法：在第一阶段将奇异值分解应用于给定矩阵，以获得原始问题的凸逼近；第二阶段使用可变分裂技术和乘法器交替方向法框架来解决优化问题，获得低秩矩阵及稀疏矩阵；/nS4、绘制低秩矩阵数据部分的频率-幅值波形图，根据频率-幅值波形图及步骤S1中计...
【技术特征摘要】
1.一种基于改进低秩稀疏分解的旋转机械故障诊断方法，其特征在于，包括以下步骤：
S1、采集振动信号及转速信号，由振动信号构成振动数据矩阵，作为待分解量，同时计算旋转机械的故障特征频率；
S2、利用截断核范数来代替矩阵核范数，同时提高真实数据的低阶分量的稀疏性来构建改进低秩稀疏分解优化目标函数；
S3、为解决优化问题，提出一种两阶段迭代方法：在第一阶段将奇异值分解应用于给定矩阵，以获得原始问题的凸逼近；第二阶段使用可变分裂技术和乘法器交替方向法框架来解决优化问题，获得低秩矩阵及稀疏矩阵；
S4、绘制低秩矩阵数据部分的频率-幅值波形图，根据频率-幅值波形图及步骤S1中计算的旋转机械的故障特征频率，确定故障类型，实现机械设备的快速故障诊断。
2.根据权利要求1所述的一种基于改进低秩稀疏分解的旋转机械故障诊断方法，其特征在于，步骤S1中，利用振动传感器采集旋转机械振动信号及转速传感器采集转速信号，将采集的旋转机械振动信号经过STFT变换，构成时频振动数据矩阵，作为待分解量。
3.根据权利要求1所述的一种基于改进低秩稀疏分解的旋转机械故障诊断方法，其特征在于，步骤S1中，旋转机械的故障特征频率包括外圈、内圈、保持架和滚子的故障频率，通过普通轴承故障频率计算公式计算得出。
4.根据权利要求1所述的一种基于改进低秩稀疏分解的旋转机械故障诊断方法，其特征在于，步骤S2中，采用截断核范数||·||r逼近矩阵秩函数，利用l1-范数||·||1提高分量Z的变换版本的稀疏性，利用参数λ和γ来平衡空间域中的低秩分量、稀疏分量以及变换域中低阶分量的稀疏性；所述改进低秩稀疏分解优化目标函数具体如下：
s.t.X＝Z+E；
其中，X表示振动数据矩阵；Z表示低秩矩阵；E表示稀疏矩阵；r表示矩阵的秩；表示变换的前向变换算子；λ和γ表示稀疏性平衡算子。
5.根据权利要求1所述的一种基于改进低秩稀疏分解的旋转机械故障诊断方法，其特征在于，步骤S3的具体步骤如下：
S3.1、初始化参数，定义振动数据矩阵为令λ＞0,γ＞0,r≤min(m,n)，m,n为矩阵的行数和列数，ε0为人为根据实际要求设定的误差分量；
S3.2、在第一阶段将奇异值分解应用于振动数据矩阵，以获得原始问题的凸逼近；给定X，计算Ul、Vl：
[Ul,∑l,Vl]＝SVD(X)；
其中，Ul、Vl代表经分解后的二个相互正交矩阵，∑l代表经分解...
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。