[发明专利]一种基于稀疏特征相似性的连轧机振动信号分离方法

权利要求书

1.一种基于稀疏特征相似性的连轧机振动信号分离方法，其特征在于，首先，在连轧机的旋转部件敏感处表面一个或多个不同位置布置加速度传感器，采集各振源工作时的振动信号，即观测信号；然后，通过基于时频谱分割的稀疏特征提取方法，获取各路采集的振动信号在最佳原子集合下的稀疏表示，亦即，通过基于时频谱分割的稀疏分解方法对每一组观测信号进行稀疏分解，提取出各观测信号的稀疏特征，即观测信号在最佳原子集合下的稀疏表示；之后，再通过结构相似性对所有稀疏表示提取的原子进行聚类，估算出振源的个数，并采用各聚类中心对应的原子更新稀疏表示结果；最后，通过新的稀疏表示结果对应的聚类系数，估算出混合矩阵，进而计算出各振源的独立信号，实现连轧机振动信号的分离；

该方法具体包括以下步骤：

步骤一、振动信号的采集

在连轧机组中每一台轧机或其中至少两台轧机的旋转部件敏感处表面一个或多个不同位置，布置一个或多个加速度传感器，采集轧机轧钢时各振动源工作时的振动信号，即观测信号S(t)：

s(t)＝[s₁(t),s₂(t),...,s_k(t),...,s_K(t)]^T

其中，K为观测信号数目，k表示观测点，k＝1,2,…,K；[]^T表示矩阵的转置；

s_k(t)为t时刻在第k个观测点采集到的振动信号，即观测信号；

步骤二、基于时频谱分割的稀疏分解方法的特征提取

利用基于时频谱分割的稀疏分解方法对每一组观测信号进行稀疏分解，提取出各观测信号的稀疏特征，即观测信号在最佳原子集合下的稀疏表示；

具体包括多分辨率广义S变换、计算最优二值化时频谱、时频谱分割、稀疏表示四个处理过程；

(1)计算各观测信号不同尺度下的多分辨率广义S变换结果：

其中，

MGST——多分辨率广义S变换；

s_k(t)——t时刻在第k个观测点采集到的振动信号，即观测信号；

u——位移因子；

f——频率因子；

λ——尺度因子；

(2)计算最优二值化时频谱：

选择合适的阈值，将多分辨率广义S变换得到的时频谱转换成二值化时频谱：

其中，

T——二值化阈值，且T＝2||a_λ||₂/M

a_λ——尺度因子为λ的时频谱对应的数据矩阵；

M——矩阵a_λ的数据总个数；

m——矩阵a_λ的行索引值；

n——矩阵a_λ的列索引值；

将所有分辨率下的二值化时频谱通过并集融合规则进行融合，计算出一个最优的二值化时频谱：

其中，

a——最优二值化时频谱对应的数据矩阵；

∏——所有元素的交运算；

λ₁——第1个尺度因子；

λ_p——第p个尺度因子；

(3)时频谱分割：

采用像素点8连通的原则，将最优二值化时频谱分割成若干个独立的连通域，并对每个连通域进行编号标注；

(4)稀疏表示：

计算不同尺度下的广义S变换时频谱在每个标注后的连通域中的能量最大值，并根据能量最大值对应的时频因子提取各连通域的最佳表示原子，构成最佳原子集合，计算出观测信号s_k(t)在最佳原子集合下的稀疏表示：

其中：

——振动信号s_k(t)在最佳原子集合下的稀疏表示；

L——提取的最佳原子的个数；

g_l——提取的第l个最佳原子，且

＜s_k(t),g_l＞——s_k(t)与g_l的內积运算；

——g_l对应的时频因子；

步骤三、基于原子相似性的振源个数估计

将所有稀疏表示提取的原子以尺度因子为横坐标、频率因子为纵坐标做出原子分布图，然后根据K-均值聚类方法对其进行分类，聚类的个数即为振源个数；

步骤四、估算混合矩阵，分离振动信号中的各振源独立信号

根据上述步骤三的原子聚类信息，估算出混合矩阵，并分离出振动信号中的各振源独立信号；

具体包括更新稀疏表示、估算混合矩阵、信号盲源分离三个处理过程：

(1)更新稀疏表示：

将每个聚类下的稀疏表示原子用该聚类的聚类中心所对应的原子替代，并重新计算各通道信号在新的原子集合下的稀疏表示；

(2)估算混合矩阵：

计算每个通道各聚类信号对应的稀疏表示的幅值的平均值即聚类系数，并按照同一顺序排列，得到一个由聚类系数组成的矩阵，该矩阵描述了各振源信号在各通道的能量衰减情况，将矩阵每一列均进行归一化处理，计算出混合矩阵A；

(3)信号盲源分离：

根据计算出的混合矩阵，通过X(t)＝A^-1S(t)将源信号分离出来；

其中，X(t)为源信号；S(t)为观测信号。

2.如权利要求1所述的基于稀疏特征相似性的连轧机振动信号分离方法，其特征在于，步骤一中所述的旋转部件敏感处包括轧机的上支撑辊轴承座、下支撑辊轴承座、上工作辊轴承座、下工作辊轴承座，任选其中的一个或几个。