[發明專利]一種加權多尺度字典學習框架的行星輪軸承故障辨識方法

有效

• 申請號: 201910079232.3
• 申請日: 2019-01-25
• 公開（公告）號: CN109946076B
• 公開（公告）日: 2020-04-28
• 發明（設計）人: 陳雪峰;趙志斌;王詩彬;喬百杰;孫闖
• 申請（專利權）人: 西安交通大學
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 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

1.一種加權多尺度字典學習框架的行星輪軸承故障辨識方法，所述方法包括以下步驟：

第一步驟(S1)中，基于行星輪軸承振動信號構造分塊算子；

第二步驟(S2)中，基于分塊算子構造加權多尺度字典學習框架，框架包含如下兩部分：

其中，表示矩陣的F范數，y表示傳感器測量所得信號，x∈R^n×1為故障特征信號，R表示實數集，n為信號的長度，表示求解得到的特征信號，D∈R^N×L表示學習字典，其中，N為字典中每一列的維度，L表示字典中列的個數，表示求解得到的字典，P(A)為表示系數的先驗，λ表示正則化參數，A∈R^L×M為表示系數，其中，M表示樣本的個數，表示求解得到的字典，Γ(·)表示分塊算子，其中W^T表示多尺度變換w的轉置，K為包含子帶故障特征的對角矩陣，定義為其中S表示多尺度變換的最大分解層數，K_l表示第l層的峭度，其中·表示取平均的運算，|·|表示取絕對值的運算，u_l表示由第l層系數重構所得的信號；

第三步驟(S3)中，優化求解加權多尺度字典學習框架，獲得故障特征信號X；

第四步驟(S4)中，根據步驟二和步驟三建立的加權多尺度學習框架，將調Q小波與l₀正則代入至框架中構造加權多尺度字典學習特例，通過構造的基于調Q小波和l₀正則的加權多尺度學習特例實現行星輪軸承故障特征信號提取；

第五步驟(S5)中，基于步驟四中多尺度字典學習特例模型提取的故障特征信號，通過包絡分析辨識故障類型。

2.根據權利要求1所述的方法，其中，第一步驟(S1)中，行星輪軸承振動信號y∈R^n×1為y＝x+h+n，其中，h∈R^n×1為多源諧波干擾，n∈R^n×1為強背景噪聲，n為信號長度，從多源諧波和強背景噪聲干擾下提取行星輪軸承故障特征信號X，算子Γ實現將一維信號進行分塊，并將所有塊拼接成矩陣，其中，

X＝[Γ₁(x)，Γ₂(x)，…，Γ_M-1(x)，Γ_M(x)]＝Γ(x)，

其中Γ_i：R^n×1→R^N×1表示從X中提取第i個塊放入矩陣x的第i列中，Γ^-1：R^N×M→R^n×1表示算子Γ的逆過程，ΓΓ^-1＝Γ^-1Γ＝I，I為單位矩陣。

3.根據權利要求2所述的方法，其中，因此，標準化的算子滿足如下的關系：

其中□表示逐點相乘。

4.根據權利要求1所述的方法，第二步驟(S2)中，其中(W^Ty)_l和(W^Tx)_l表示多尺度變換第l層的系數，

其中，為測量信號y在多尺度變換w下第l層系數，D_l為第l層系數的學習字典，為求解得到的第l層的字典，A_l為第l層的字典表示系數，為求解得到的第l層字典表示系數，P(A_l)為字典表示系數的先驗，λ表示正則化參數，為故障特征信號在多尺度變換w下第l層系數，表示求解得到的故障特征信號在多尺度變換w下第l層系數，Γ(·)表示分塊算子。

5.根據權利要求4所述的方法，其中，第三步驟(S3)中，采用交替優化求解加權多尺度字典學習框架，得出由稀疏編碼和字典更新組成的字典學習模型，通過給定相應的P(A_l)進行求解以解決雙線性非凸問題，通過最優閉式解以解決凸二次優化問題，最優閉式解為：

其中為第i個樣本的分塊算子Γ_i的轉置，(·)^-1表示矩陣的求逆，M表示樣本的總數，為字典更新中所求解得到的第l層的字典，為第i個樣本的表示系數。