[发明专利]一种基于KSVD字典学习的滚动轴承故障特征提取方法

说明书

一种基于KSVD字典学习的滚动轴承特征提取方法，先将采集到的轴承振动加速度信号进行分割得到字典学习训练集，保证每段信号只含有一个冲击；利用KSVD算法学习得到学习字典；从采集到的轴承振动加速度信号中截取一段信号y；计算学习字典中每一列原子与信号y的相关系数，选取相关系数最大的四个所对应的原子进行循环移位得到优化字典；利用正交匹配追踪算法重构信号，获得轴承故障特征提取时域图；本发明方法所构造的优化字典与实际的滚动轴承局部损伤振动响应波形更接近，具有一定的物理意义；剔除了学习字典中的冗余原子，提高了轴承特征提取的抗噪性，能够很好的提取轴承故障特征。

技术领域

本发明涉及滚动轴承故障特征提取技术领域，特别涉及一种基于KSVD字典学习的滚动轴承故障特征提取方法。

背景技术

滚动轴承具有效率高、摩擦阻力小、装配方便、润滑容易等特点，在旋转机械中得到广泛的应用，对其运转状态的检测和故障诊断具有很重要的意义。当滚动轴承某一元件(外圈、内圈、滚动体和保持架)的表面出现局部损伤(点蚀、剥落、裂纹等)时，损伤表面与其他表面接触时产生的瞬态冲击力，能够激起包括轴承元件、传感器和相关结构的固有频率，产生具有共振调制特征的冲击响应信号。受信号传递路径的影响，实际采集的轴承振动信号十分复杂，含有大量噪声，多种组成成分的信号相互耦合，在总体振动信号中很难发现表征故障特征的微弱信号。因此，从总体振动信号中准确提取表征轴承故障的冲击响应信号是滚动轴承诊断的关键任务之一。

目前，滚动轴承故障诊断常用的方法有三类：时域分析方法，如参数法、冲击脉冲等；频域分析方法，如共振解调法、倒频谱等；以及以小波变换为代表的时频分析方法等。然而，考虑到实际运行转速的波动和滚动体的滑动因素，轴承故障产生的瞬态冲击响应具有非平稳特性，这些方法的诊断能力会经常受到影响，因此学者们对一些新的信号处理方法进行了大量研究。近年来，信号稀疏表示理论在图像处理、语音识别等领域取得了巨大成就，也被引入到机械故障诊断领域。该算法从原子库中挑选一组基元函数即原子来计算信号的一个线性展开，并通过求解信号在各原子上的正交投影对信号进行连续逼近。

然而用于轴承故障诊断的解析字典，绝大部分都是沿用常规的原子库模型来构造稀疏字典，很少有能准确反映实际冲击特征的解析字典，缺少自适应性，分析效果还有进一步提高的空间；以K均值奇异值分解(KSVD)算法为代表的学习字典具有良好的自适应性，得到越来越多学者的青睐，但存在自由度过高、抗噪性能差以及缺乏明确的物理意义等缺点。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于KSVD字典学习的滚动轴承故障特征提取方法，使用相关系数的方法对学习得到的学习字典原子进行选择，并重新构造优化字典，提高了抗噪性，且优化字典原子具有明确的物理意义。

为了达到上述目的，本发明所采用的技术方案是：

一种基于KSVD字典学习的滚动轴承故障特征提取方法，包括以下步骤：

1)通过数据采集器利用加速度传感器对轴承运行过程的振动信号进行测量，获得的振动加速度信号作为待分析信号X(t)，数据采集器的采样频率f_s不小于10k，采样时间长度T不少于10s；

2)将待分析信号X(t)分为m段，长度为n，保证每一段信号中只包含一个冲击，建立字典学习训练集X，字典学习训练集X的每一列为截取的一段信号，其中m≥4n；

3)输入字典学习训练集X，设置稀疏度T为3，学习字典D1的参数：行数为n，列数为K＝2n，应用字典学习KSVD算法，经稀疏编码、字典更新两阶段得到最终的学习字典D1；

4)从待分析信号X(t)中截取一段信号y，y中至少包含待分析信号X(t)中的3个冲击；