[發明專利]基于深度堆疊字典學習的滾動軸承故障特征提取方法

在審

• 申請號: 201710710318.2
• 申請日: 2017-08-18
• 公開（公告）號: CN107543722A
• 公開（公告）日: 2018-01-05
• 發明（設計）人: 趙明;焦金陽;林京;趙健;閆暢
• 申請（專利權）人: 西安交通大學
• 主分類號: G01M13/04
• 分類號: G01M13/04;G06K9/00;G06K9/62
• 代理公司: 西安智大知識產權代理事務所61215
• 代理人: 賀建斌

1.基于深度堆疊字典學習的滾動軸承故障特征提取方法，其特征在于，包括以下步驟：

步驟一，將振動加速度傳感器吸附于被測試滾動軸承的軸承座上，對信號進行高頻采樣，得到振動數據；

步驟二，據采樣頻率及軸承旋轉速度，截取一段時間內的信號并進行帶通濾波，作為原始信號y(t)；

步驟三，構建多層字典學習算法，設置不同層字典學習的參數：迭代次數、匹配字典的信號分割長度、字典原子數目，初始化字典；

步驟四：輸入原始信號y(t)，根據相應的參數設置應用字典學習算法，經稀疏編碼、逐列更新字典及系數矩陣得到最終的字典和相應的稀疏表征系數矩陣，并通過加入對數似然項優化，求得濾波消噪后的時域信號

步驟五，將時域信號作為下一層字典學習算法的輸入，重復與步驟四中相同的算法，依次類推，直到完成全部層的字典學習算法；

步驟六，包絡譜分析，得到最后一層的時域輸出信號，對其做希爾伯特變換后做快速傅里葉變換，得到相應的頻譜，輸出診斷結果。

2.根據權利要求1所述的基于深度堆疊字典學習的滾動軸承故障特征提取方法，其特征在于：所述的步驟二中的截取時間間隔為t，該時間段內應包含多個旋轉周期，便于凸顯周期性沖擊特征。

3.根據權利要求1所述的基于深度堆疊字典學習的滾動軸承故障特征提取方法，其特征在于：所述的步驟四的具體過程為：

每一層使用K-SVD字典學習算法，解決如下優化問題：

minD,x||y-Dx||F2≤ϵsubjuct to∀i,||xi||0≤T0---(1)]]>

式中，D為字典矩陣，x為稀疏表征系數矩陣；首先假定D固定，轉化上述的優化問題為搜索最優的系數矩陣x，利用匹配追蹤優化算法求解如下問題得稀疏表征系數：

minxi||yi-Dxi||F2≤ϵsubjuct to∀i,||xi||0≤T0,for i=1,2,...,N---(2)]]>

接著逐列更新字典d_k及對應行的系數x^k，重寫公式(1)如下所示：

||y-Dx||F2=||y-Σj=1KdjxTj||F2=||(y-Σj≠kdjxTj)-dkxTk||F2=||Ek-dkxTk||F2---(3)]]>

定義φ_k為尺寸N×|ω_k|的矩陣，即在(ω_k(i),i)值為1，其余為0，因此，式(3)又可寫為

||Ekφk-dkxTkφk||F2=||EkR-dkxRk||F2---(4)]]>

對進行奇異值分解得進而利用U的第一列更新對應列的字典d_k，利用V的第一列與Δ(1,1)的乘積更新系數依次類推，直到K列的字典全部更新完；加入對數似然項進一步提高提取的信號特征的精度，更新式(1)為

argminz,{xi}iλ||y-z||22+Σi=1Nμi||xi||0+Σi=1N||Dxi-Riz||22---(5)]]>

式中，第一項代表經過字典學習濾波后數據保真程度，第二項和第三項是消噪信號z的先驗項，R_i是從z中提取的對應算子，λ是拉格朗日乘子；通過前述K-SVD算法獲得D和x_k后，式(5)簡化為如下所示：

argminzλ||z-y||22+Σi=1N||Dx^i-Riz||22---(6)]]>

利用二次問題的優化閉式求解得

z^=(λI+Σi=1NRiTRi)-1(λy+Σi=1NRiTDx^i).]]>