[发明专利]一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法

权利要求书

1.一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

步骤S1，采用双稀疏字典学习方法对建模滚动轴承振动信号进行训练，获得双稀疏字典；

步骤S2，获取建模滚动轴承机械振动信号在双稀疏字典下的分解系数并作为特征向量；

步骤S3，将步骤S2中获得的特征向量输入至深度信念网络进行训练学习，获得滚动轴承故障诊断模型；

步骤S4，将待测滚动轴承机械振动信号输入至滚动轴承故障诊断模型进行故障识别，完成故障诊断；

在所述步骤S1中，首先采用双稀疏字典学习方法对建模滚动轴承机械振动信号进行训练获得双稀疏子字典，接着对获得的双稀疏子字典进行双稀疏子字典原子的筛选优化，剔除低贡献率的原子，获得最终的双稀疏字典；

在所述步骤S1中，采用稀疏分解算法对双稀疏子字典进行优化，首先由建模滚动轴承机械振动信号与对应双稀疏子字典原子的最大内积绝对值作为双稀疏子字典原子筛选标准进行原子筛选，接着将筛选出来备选的原子按顺序依次排列组合形成最终的双稀疏字典；

在所述步骤S1中，获得双稀疏字典的具体过程为：步骤S11，基于学习字典算法对建模滚动轴承机械振动信号进行训练，获得基字典；步骤S12，使用稀疏分解算法求解建模滚动轴承机械振动信号在基字典下的稀疏系数矩阵作为稀疏字典；步骤S13，根据基字典和稀疏字典，通过双稀疏字典学习算法求解获得双稀疏字典；

所述建模滚动轴承机械振动信号由一种或多种不同健康状态的滚动轴承机械振动信号组成；其中，当建模滚动轴承机械振动信号由多种不同健康状态的滚动机械振动信号组成时，在所述步骤S1中，针对不同健康状态的滚动轴承机械振动信号进行训练，分别获得对应的双稀疏字典；在所述步骤S2中，分别获取不同健康状态的滚动轴承机械振动信号在双稀疏字典下的分解系数并分别作为特征向量；在所述步骤S3中，将针对不同健康状态的滚动轴承机械振动信号获得的特征向量输入至深度信念网络进行训练学习，获得识别不同健康状态的滚动轴承故障诊断模型。

2.根据权利要求1所述基于双稀疏字典稀疏表示的滚动轴承故障诊断方法，其特征在于，在所述步骤S11中，学习字典算法选用K-SVD算法。

3.根据权利要求1所述基于双稀疏字典稀疏表示的滚动轴承故障诊断方法，其特征在于，稀疏分解算法选用OMP算法。

4.根据权利要求1所述基于双稀疏字典稀疏表示的滚动轴承故障诊断方法，其特征在于，所述建模滚动轴承机械振动信号为正常情况下信号数据N、内圈故障信号数据IF、外圈故障信号数据OF或滚动故障信号数据RF中的任意一种或多种。