采用非相关字典学习的滚动轴承故障诊断方法

被引：11

作者：

张志强 ^{[1
]}

孙若斌 ^{[2
]}

徐冠基 ^{[1
]}

杨志勃 ^{[2
]}

陈雪峰 ^{[2
]}

机构：

[1] 中车青岛四方机车车辆股份有限公司

[2] 西安交通大学机械工程学院

来源：

西安交通大学学报 | 2019年 / 06期

关键词：

稀疏表示; 非相关字典学习; 特征提取; 故障诊断;

D O I：

暂无

中图分类号：

TH133.33 [滚动轴承];

学科分类号：

082805 [农业机械化与装备工程];

摘要：

针对轴承振动信号中早期故障特征难以识别的问题,提出了利用非相关字典学习稀疏提取微弱冲击特征,进而完成故障诊断的方法。字典的构造是影响稀疏表示算法性能的关键步骤,而传统字典学习方法构造的冗余字典,原子之间具有很强的相关性,不足以表现信号不同的结构特性,也不利于信号准确稀疏重构,进而影响了冲击故障特征信号的提取。因此,在K均值奇异值分解算法(K-SVD)的基础上加入了原子解相关的步骤,形成了非相关字典学习算法(INK-SVD)。采用INK-SVD算法在含噪振动信号段样本中,学习构造低相关性自适应字典;在此基础上,利用稀疏表示方法准确提取冲击故障特征,从而实现更准确的轴承故障诊断。通过仿真分析及实验数据分析,与传统字典学习方法相比,该方法稀疏系数恢复精确度更高,重构信号的包络解调谱更有利于故障特征的辨识,从而验证了该方法的有效性。

引用

页码：29 / 34

页数：6

共 11 条

[1]

一种自适应形态滤波算法及其在轴承故障诊断中的应用 [J].

张西宁 ;

唐春华 ;

周融通 ;

雷威 .

西安交通大学学报, 2018, (12) :1-8+37

[2]

基于稀疏分解理论的航空发动机轴承故障诊断 [J].

张晗 ;

杜朝辉 ;

方作为 ;

王诗彬 ;

陈雪峰 .

机械工程学报, 2015, 51 (01) :97-105

[3]

机械故障诊断基础研究“何去何从” [J].

王国彪 ;

何正嘉 ;

陈雪峰 ;

赖一楠 .

机械工程学报, 2013, 49 (01) :63-72

[4]

滚动轴承故障诊断的多小波谱峭度方法 [J].

王晓冬 ;

何正嘉 ;

訾艳阳 .

西安交通大学学报 , 2010, (03) :77-81

[5]

基于稀疏表示的音频修复算法研究 [D].

王君地 .

电子科技大学,

2016

[6]

Complex signal analysis for planetary gearbox fault diagnosis via shift invariant dictionary learning[J] Zhipeng Feng;Ming Liang Measurement 2016,

[7]

Sparse representation of transients in wavelet basis and its application in gearbox fault feature extraction[J] Wei Fan;Gaigai Cai;Z.K. Zhu;Changqing Shen;Weiguo Huang;Li Shang Mechanical Systems and Signal Processing 2015,

[8]

Compressed sensing based on dictionary learning for extracting impulse components[J] Xuefeng Chen;Zhaohui Du;Jimeng Li;Xiang Li;Han Zhang Signal Processing 2013,

[9]

Atomic Decomposition by Basis Pursuit[J] Scott Shaobing Chen;David L. Donoho;Michael A. Saunders SIAM Review 2001,

[10]

Multi-frame compression: theory and design[J] Signal Processing 2000,

← 1 2 →