[發明專利]一種基于稀疏多周期組套索的多故障特征辨識方法

有效

• 申請號: 201910070499.6
• 申請日: 2019-01-25
• 公開（公告）號: CN110044619B
• 公開（公告）日: 2020-03-27
• 發明（設計）人: 陳雪峰;趙志斌;王詩彬;孫闖;安波濤
• 申請（專利權）人: 西安交通大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G01R31/34
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 覃婧嬋

本發明公開了基于稀疏多周期組套索的多故障特征辨識方法，方法包括以下步驟：分析待識別的信號以構造二值周期序列b，基于故障特征信號呈現周期組內組間稀疏的特性獲得促進周期組內組間稀疏的正則項P(x；b)，基于不同故障特征頻率的區分性建立稀疏多周期組套索模型；分別構造稀疏多周期組套索模型中數據保真項和正則項的受控優化算子，通過受控優化算子的解耦，實現變量之間的分離，針對每個受控優化算子，建立其優化的閉式解，通過迭代求解每種故障的受控優化算子對應的閉式解，實現模型求解；通過仿真信號統計分析自適應設置正則化參數，通過所述參數得出算法的自適應求解，從而分離得到每種故障；針對分離得到的每種故障，通過包絡分析辨識故障類型。

技術領域

本發明屬于故障診斷方法技術領域，特別是一種基于稀疏多周期組套索的多故障特征辨識方法。

背景技術

預測與健康維護系統(PHM)越來越受到大家的關注，它對于降低機電系統運行維護的成本，避免災難性的事故發生具有重要的意義。而振動信號分析由于其對故障特征的反映比較全面和及時，已經成為PHM中不可缺少的重要組成部分。但是機電系統由于結構的復雜性、零件的多樣性和運行環境的惡劣性，其關鍵部件，諸如齒輪、軸承等，經常會發生故障，并且由于早期故障的影響，會產生鏈式反應，造成部件的多處損傷，即多故障的耦合。然而，通過采集到的振動信號中往往包含著大量的噪聲，對多故障的分離和辨識提出了巨大的挑戰。如何在消除干擾的同時，有效地分離多故障的成分，是PHM系統的基礎支撐技術之一。

對于多故障分離，目前已經有大量的基于機器學習的方法被提出，如：K近鄰算法、支持向量機、深度學習等。但是基于機器學習的多故障分離算法有兩個很大的問題：一方面，機器學習算法需要大量針對每一類故障的樣本，這在實際情況中是很難獲得的，即使可以獲得，那成本也是不可估量的。另一方面，基于機器學習的方法，尤其是深度學習，存在大量地超參數需要調整，并且在噪聲干擾很大的情況下，其算法的泛化性能不足。

另外，基于稀疏表示的形態成分分析技術也被用于多故障的分離。但是此類方法需要為不同故障選定其對應的基函數，而且需要滿足所選擇的基函數中只存在唯一的一個基函數能稀疏表示其對應的故障。這就為如何選取這樣不同的基函數帶來了很大的挑戰。而且，此類基于變換域稀疏表示的形態成分分析方法在優化的過程中存在大量地矩陣運算，其計算復雜度較高，使得該方法在工程應用中受到了極大地限制。

在背景技術部分中公開的上述信息僅僅用于增強對本發明背景的理解，因此可能包含不構成在本國中本領域普通技術人員公知的現有技術的信息。

發明內容

針對現有技術中存在的問題，本發明提出一種基于稀疏多周期組套索的多故障特征辨識方法，該方法利用故障特征的周期組內組間稀疏特性和不同故障之間故障頻率的區分性，在形態成分分析的框架下建立模型，不僅有效降低了計算復雜度，還不限制混合故障的數量。

本發明的目的是通過以下技術方案予以實現，一種基于稀疏多周期組套索的多故障特征辨識方法，所述方法包括以下步驟：

一種基于稀疏多周期組套索的多故障特征辨識方法，所述方法包括以下步驟：

第一步驟(S1)中，分析由加速度傳感器采集到的振動信號以構造二值周期序列b，基于故障特征信號x呈現周期組內組間稀疏的特性獲得促進周期組內組間稀疏的正則項P(x；b)，基于不同故障特征頻率的區分性建立稀疏多周期組套索模型；