[發明專利]基于學習字典與奇異值分解的滾動軸承故障識別方法

在審

• 申請號: 201910536433.1
• 申請日: 2019-06-20
• 公開（公告）號: CN110348491A
• 公開（公告）日: 2019-10-18
• 發明（設計）人: 時培明;馬曉杰;韓東穎
• 申請（專利權）人: 燕山大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京孚睿灣知識產權代理事務所(普通合伙) 11474
• 代理人: 張冬花

本發明公開一種基于學習字典與奇異值分解的滾動軸承故障識別方法，可以在某一程度故障數據學習訓練的基礎上實現對其他程度故障類型的識別，利用K?SVD算法訓練某單一故障程度下各故障類型信號的學習字典，并將得到的各類型學習字典組合成新字典，采用奇異值分解對待測故障數據進行去噪處理，同時構建去噪數據的測試樣本集，之后求解該測試樣本集在組合字典下的稀疏表示系數矩陣，根據其中非零系數在各故障類型區域的分布概率進行軸承故障類型的識別判斷。該方法可以有效識別其他故障程度下的故障類型，而且訓練過程無需大量的軸承故障數據，訓練過程計算量小，所用時間較短，而且識別的準確度高，簡單易行。

技術領域

本發明屬于滾動軸承故障診斷技術領域，涉及一種基于學習字典與奇異值分解的滾動軸承故障識別方法。

背景技術

滾動軸承是旋轉機械中最常見也是最重要的零部件之一，因其特殊的結構和應用位置，滾動軸承極易受到損壞，進而引發嚴重的機械故障。據統計，旋轉機械中由滾動軸承損壞引起的故障約有30％，這對企業的安全生產造成了嚴重的影響。因此，滾動軸承的故障監測與診斷對于保障機械設備安全運行、提高經濟生產效益具有重大的現實意義。

在滾動軸承故障診斷領域，如何根據軸承的振動信號對軸承故障進行故障特征提取和分類是實現故障識別的關鍵。軸承故障多種多樣，按其損傷位置，可分為內環、外環、滾動體故障等，而每類故障的故障程度又有輕重之分，常規的故障識別分類方法將各類、各程度下的軸承故障信號進行訓練，得到一個故障診斷模型，然后再用該模型去識別診斷待測信號的故障類型。常規方法具有一定的可行性，但在故障識別模型的訓練過程中需要大量的軸承故障數據，同時訓練過程中的計算量較大，所用時間也較長，因此具有一定的局限性。

發明內容

針對現有技術的不足，本發明提供一種基于學習字典與奇異值分解的滾動軸承故障識別方法，可以在某一程度故障數據學習訓練的基礎上實現對其他程度故障類型的識別，利用K-SVD算法訓練某單一故障程度下各故障類型信號的學習字典，并將得到的各類型學習字典組合成新字典，采用奇異值分解對待測故障數據進行去噪處理，同時構建去噪數據的測試樣本集，之后求解該測試樣本集在組合字典下的稀疏表示系數矩陣，根據其中非零系數在各故障類型區域的分布概率進行軸承故障類型的識別判斷，從而有效識別其他故障程度下的故障類型。

本發明是這樣實現的：

一種基于學習字典與奇異值分解的滾動軸承故障識別方法，其具體包括以下步驟：

S1、將正常軸承的振動信號以及內環故障、外環故障和滾動體故障類型的振動信號各自進行分割截取，構建他們各自的訓練樣本集；

S2、利用K-SVD方法分別對上述4個訓練樣本集進行訓練，得到它們各自的學習字典，并將4個字典組合成新的組合字典：

S21、利用K-SVD方法得到學習字典：

以正常軸承為例，字典學習的數學描述表示為：

其中，D₁＝[d₁,d₂...d_p]∈R^m×p為學習字典，d_i∈R^m×1為字典的第i個原子且p＞＞n，其中，p、m和n均為實數，p表示學習字典中原子的個數，n表示稀疏表示系數的個數；A₁＝[α₁,α₂...α_n]∈R^p×n為訓練樣本集X₁在學習字典D₁下的稀疏表示系數矩陣，α_i∈R^p×1為某單個樣本x_i的稀疏表示系數；k為稀疏度；||·||_F表示矩陣的F范數，其中i表示矩陣X中的第i行，j表示矩陣X的第j列；