[发明专利]一种加权多尺度字典学习框架的行星轮轴承故障辨识方法

说明书

本发明公开了一种加权多尺度字典学习框架的行星轮轴承故障辨识方法，方法包括以下步骤：基于行星轮轴承振动信号构造分块算子；基于分块算子构造加权多尺度字典学习框架，优化求解加权多尺度字典学习框架，获得故障特征信号；基于调Q小波与l₀正则构造加权多尺度字典学习特例，通过特例提取行星轮轴承故障特征信号；基于提取的故障特征信号通过包络分析辨识故障类型。

技术领域

本发明属于故障诊断方法技术领域，特别是一种加权多尺度字典学习框架的行星轮轴承故障辨识方法。

背景技术

机电设备作为现代工业的重要组成部分，其运行安全显得尤其重要。传统的定期维修方式消耗了大量人力、物力和财等资源，已经不能够适应现代工业发展的趋势。视情维修具有小规模、高效率、好经济可承受性和能诊断预测重大灾难事故的显著优势。而要有效地实行视情维修的一个重要前提就是搭建复杂预测与健康管理系统。振动信号分析与故障诊断是健康管理系统的重要组成部分之一，机电装备的振动信号分析与故障诊断通过从纷繁复杂的观测数据集中抽丝剥茧，进而挖掘出运行状态信息，为机电装备的健康评估和运行安全保障提供了必要的基础。行星齿轮箱作为很多重要机电设备的关键部件(如直升机、风力发电机等)，其核心组成部分(行星轮，行星轮轴承等)的故障辨识和健康评估占据非常重要的地位。

传统的基于先验知识或者是特征指标而构造定制化的滤波器的方法(如小波变换、谱峭度、时频分析等)过于依赖于系统的先验知识，忽视了隐藏在观测数据中的巨大价值。因此，在面对行星轮轴承此类复杂信号的分析诊断时，无能为力。

字典学习由于它对数据的自适应性，能够提供更稀疏的表示，近年来成为了信号处理与机器学习研究的热点，同样在机械故障诊断中也被广泛的运用。然而，字典学习算法同样存在相应的缺点：一、在学习字典前，我们需要把原始信号进行分块操作，这样我们的模型就仅仅被限制在局部信息的学习上；二、字典学习算法对于谐波干扰非常的敏感，然而，振动信号中往往又存在大量地谐波干扰；三、结构化字典学习需要建立特征信号的结构化数学描述，但是往往很多物理特性无法建立有效的数学描述；四、字典学习模型由于其样本维度的限制，其计算量往往很大。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中存在的问题，本发明提出一种加权多尺度字典学习框架的行星轮轴承故障辨识方法，该方法利用一个能够有效匹配周期冲击特征的合适的多尺度变换，通过多尺度变换将时域信号变换至多尺度变换域，其次需要选择一个能够有效促进稀疏的先验正则形成一个双线性优化问题(即字典学习问题)，直接从多尺度变换域中学习相应的字典，保证字典拥有多尺度和全局的特性，然后通过引入子带峭度的加权项实现框架对于强谐波干扰的抑制性，最后通过交替优化算法进行迭代求解，实现特征信息的有效增强和干扰信息的有效衰减。

本发明的目的是通过以下技术方案予以实现，一种加权多尺度字典学习框架的行星轮轴承故障辨识方法，所述方法包括以下步骤：

第一步骤中，基于行星轮轴承振动信号构造分块算子；

第二步骤中，基于分块算子构造加权多尺度字典学习框架，框架包含如下两部分：