[发明专利]基于K-SVD和滑窗降噪的滚动轴承冲击故障诊断方法

说明书

本发明公开的基于K‑SVD和滑窗降噪的滚动轴承冲击故障诊断方法，包括以下步骤：获取轴承信号s，对轴承信号进行高通滤波，得到滤波信号s₀；截取滤波信号中一段有明显冲击的信号s_p进行字典学习；对字典学习后的信号进行滑窗K‑SVD运算，得到l个待选冲击原子γ_i；对待选冲击原子通过方差计算，得出方差最大的原子，从而得出最优原子；将最优原子归一化，并进行滑窗内积运算，得到内积序列；找出内积局部峰值点，用最优原子重构冲击得到重构信号，对重构信号解调，找到故障特征频率；本发明对冲击明显信号段采用滑窗K‑SVD，结合方差衡量冲击原子质量标准，滑窗内积运算，克服字典学习受信号相位影响，并有良好的抗噪性。

技术领域

本发明涉及滚动轴承的故障诊断领域，特别涉及基于K-SVD和滑窗降噪的滚动轴承冲击故障诊断方法。

背景技术

滚动轴承是旋转机械中最基本的部件，在风电齿轮箱、变速器工业中普遍使用，一旦滚动轴承发生故障，会极大地影响设备的安全性能，甚至诱发严重的安全事故，因此，对轴承故障进行诊断一直是工业界的研究重点。当滚动轴承的任一元件表面出现局部损伤时，损伤表面与其他表面接触时会产生瞬时冲击力，而因为环境噪声和其他机械部件振动影响，导致冲击力信号特征淹没在噪声中，难以进行识别。为了解决这一问题，国内外学者已经做出了诸多努力，提出了很多切实可行的方法，如EMD经验模态分解、阈值降噪、小波变换、稀疏表示(Sparse Representation)。稀疏表示方法的核心思想是通过一个过完备冗余字典乘以相应的系数来稀疏表示信号，从而排除噪声的影响。由于其出色的特征提取和抑制噪声的性能，稀疏表示在信号处理、计算机视觉、图像识别和机械故障诊断领域得到了广泛的应用。稀疏表示中最重要的一环是确定字典，字典分为固定字典和学习字典，通常用变换域的方法获得固定字典，如冗余小波变换、超小波变换、曲波变换、轮廓波变换，而学习字典由于自适应性强、描述特征能力强等优点更适合于表征未知的复杂信号。字典学习的目的是最大限度地提取原信号中真实有效的特征信息，字典的好坏决定了能否提取出信号的故障特征，然而由于机械运行环境嘈杂、故障成分复杂、运行状态不平稳，字典的学习难度很大。

目前K-SVD(K-Singular Value Decomposition)是最常用且有效的字典学习方法之一，它采用匹配追踪或正交匹配追踪以及SVD分解的方法不断更新字典原子。基于传统K-SVD算法，Zhang提出了D-KSVD(Discriminative-KSVD)，在目标函数中加入区分参数对图像信号进行分类并应用了更高效的OMP算法；Jiang提出了LC-KSVD(label consistentKSVD)，在目标函数中加入了分类参数和标签参数，二者都提高了K-SVD在图像处理领域字典学习的效率。在机械故障诊断领域，Yu将K-SVD应用于轴承早期故障原子的提取，在稀疏编码阶段采用了最大峭度作为截止条件，提高了算法的自适应性；Zhong将K-SVD与小波降噪的方法相结合，提高了故障诊断的准确率。但是，上述算法在应用中有两个明显的缺点，一是当信号比较长时，字典的将异常庞大，包含大量的冗余信息，且运算速度较慢；二是信号噪声比较大时，K-SVD受信号相位的影响较大，不能很好的提取出信号特征，重构精度下降。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供基于K-SVD和滑窗降噪的滚动轴承冲击故障诊断方法，通过对冲击故障特征较明显的一段故障信号进行字典学习，得到一个包含冲击故障高频震荡特征的最优原子，用得到的最优原子与整段信号进行滑窗内积运算，寻找出局部内积峰值点，在筛选出的峰值处重构信号，从而提取冲击故障特征；本发明所需字典少，无需对原始信号进行分段重构，能够较快地对较长信号进行冲击特征提取。

本发明的目的通过以下的技术方案实现：基于K-SVD和滑窗降噪的滚动轴承冲击故障诊断方法，具体步骤如下：

S1、获取轴承信号s，对轴承信号进行高通滤波，得到滤波信号s₀，其长度为l_s；