[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

本發明公開了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，方法包括以下步驟：基于行星輪軸承振動信號構造分塊算子；基于分塊算子構造加權多尺度字典學習框架，優化求解加權多尺度字典學習框架，獲得故障特征信號；基于調Q小波與l₀正則構造加權多尺度字典學習特例，通過特例提取行星輪軸承故障特征信號；基于提取的故障特征信號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，特別是一種加權多尺度字典學習框架的行星輪軸承故障辨識方法。

背景技術

機電設備作為現代工業的重要組成部分，其運行安全顯得尤其重要。傳統的定期維修方式消耗了大量人力、物力和財等資源，已經不能夠適應現代工業發展的趨勢。視情維修具有小規模、高效率、好經濟可承受性和能診斷預測重大災難事故的顯著優勢。而要有效地實行視情維修的一個重要前提就是搭建復雜預測與健康管理系統。振動信號分析與故障診斷是健康管理系統的重要組成部分之一，機電裝備的振動信號分析與故障診斷通過從紛繁復雜的觀測數據集中抽絲剝繭，進而挖掘出運行狀態信息，為機電裝備的健康評估和運行安全保障提供了必要的基礎。行星齒輪箱作為很多重要機電設備的關鍵部件(如直升機、風力發電機等)，其核心組成部分(行星輪，行星輪軸承等)的故障辨識和健康評估占據非常重要的地位。

傳統的基于先驗知識或者是特征指標而構造定制化的濾波器的方法(如小波變換、譜峭度、時頻分析等)過于依賴于系統的先驗知識，忽視了隱藏在觀測數據中的巨大價值。因此，在面對行星輪軸承此類復雜信號的分析診斷時，無能為力。

字典學習由于它對數據的自適應性，能夠提供更稀疏的表示，近年來成為了信號處理與機器學習研究的熱點，同樣在機械故障診斷中也被廣泛的運用。然而，字典學習算法同樣存在相應的缺點：一、在學習字典前，我們需要把原始信號進行分塊操作，這樣我們的模型就僅僅被限制在局部信息的學習上；二、字典學習算法對于諧波干擾非常的敏感，然而，振動信號中往往又存在大量地諧波干擾；三、結構化字典學習需要建立特征信號的結構化數學描述，但是往往很多物理特性無法建立有效的數學描述；四、字典學習模型由于其樣本維度的限制，其計算量往往很大。

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，本發明提出一種加權多尺度字典學習框架的行星輪軸承故障辨識方法，該方法利用一個能夠有效匹配周期沖擊特征的合適的多尺度變換，通過多尺度變換將時域信號變換至多尺度變換域，其次需要選擇一個能夠有效促進稀疏的先驗正則形成一個雙線性優化問題(即字典學習問題)，直接從多尺度變換域中學習相應的字典，保證字典擁有多尺度和全局的特性，然后通過引入子帶峭度的加權項實現框架對于強諧波干擾的抑制性，最后通過交替優化算法進行迭代求解，實現特征信息的有效增強和干擾信息的有效衰減。

本發明的目的是通過以下技術方案予以實現，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：

第一步驟中，基于行星輪軸承振動信號構造分塊算子；

第二步驟中，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：