一种基于稀疏分解的重加权分步正则化轴承故障诊断方法技术

一种基于稀疏分解的重加权分步正则化轴承故障诊断方法，涉及轴承故障诊断。包括以下步骤：1)建立稀疏分解问题模型：通过引入合适的罚函数替代0范数，借助正则化，转化为无约束的最优化问题；2)构造替代函数，使替代函数具备与目标函数相近的最优解；3)优化替代函数，通过迭代构造和缩减替代函数，时间索引参数逐渐收敛至实际冲击发生的位置，稀疏系数也逐渐逼近真实值；4)更新正则化参数和剔除冗余原子，当收敛误差小于设定的收敛阈值时，结束迭代，完成重加权分步正则化轴承故障诊断。能够兼具强稀疏促进能力和高拟合精度，具有更高的信号重建精度，从而能够提供更加准确的轴承故障诊断结果。障诊断结果。

【技术实现步骤摘要】
一种基于稀疏分解的重加权分步正则化轴承故障诊断方法


[0001]本专利技术涉及轴承故障诊断，尤其是涉及一种基于稀疏分解的重加权分步正则化轴承故障诊断方法

技术介绍

[0002]振动监测是轴承故障诊断最主要的方法之一。然而，实际测量的振动信号通常包含大量的噪声干扰，尤其在轴承早期故障阶段，其冲击信号微弱，信噪比(signal
‑
to
‑
noiseratio,SNR)极低。如何从含噪信号中准确识别反映轴承健康状态的特征参数是基于振动监测的轴承故障诊断所要解决的关键问题。稀疏分解是一种强有力的信号分解技术，通过构造合适的稀疏字典，信号中的目标成分可以借由字典中的少数原子实现稀疏表达和准确重建，而噪声无法被字典原子所分解，因此稀疏分解具备极强的抗噪能力。在众多基于稀疏分解的方法中，基于稀疏约束的正则化方法得到广泛研究和采用。L1范数正则化是最早被提出的稀疏正则化方法，具有模型简单，计算便利的优点。然而，L1范数正则化的最优解往往会倾向于对瞬态冲击信号幅值欠估计，从而导致低估轴承故障的严重程度。为克服该问题，基于广义极本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏分解的重加权分步正则化轴承故障诊断方法，其特征在于包括以下步骤：1)建立稀疏分解问题模型：通过引入合适的罚函数替代0范数，借助正则化，转化为无约束的最优化问题；2)构造替代函数，使替代函数具备与目标函数相近的最优解；3)优化替代函数，通过迭代构造和缩减替代函数，时间索引参数逐渐收敛至实际冲击发生的位置，稀疏系数也逐渐逼近真实值；4)更新正则化参数和剔除冗余原子，当收敛误差小于设定的收敛阈值时，结束迭代，完成重加权分步正则化轴承故障诊断。2.如权利要求1所述一种基于稀疏分解的重加权分步正则化轴承故障诊断方法，其特征在于在步骤1)中，所述建立稀疏分解问题模型的具体步骤为：引入对数求和罚函数来替代0范数以构建待优化的目标函数，振动信号
y
在稀疏字典A上的稀疏表示描述为：其中，表示稀疏字典矩阵，表示由稀疏系数构成的矢量；n表示噪声干扰；τ表示时间索引参数，ε表示容差，∈为正参数，保证对数函数的真数大于0；通过令正参数∈逼近0以保证全局最优解收敛...

【专利技术属性】
技术研发人员：余立超，罗华耿，张保强，王成龙，
申请(专利权)人：厦门大学，
类型：发明
国别省市：