[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

说明书

本发明属于滚动轴承故障诊断技术领域。本发明公开了一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法，步骤S1，采用双稀疏字典学习算法对滚动轴承振动信号进行训练，获得双稀疏字典；步骤S2，获取不同故障类型的建模滚动轴承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，获得滚动轴承振动信号故障诊断模型；步骤S4，将包含故障信息的待测滚动轴承振动信号输入至故障诊断模型进行故障识别，完成故障诊断。采用本发明滚动轴承振动信号故障诊断方法，不仅可以获得更高的诊断精度与准确率稳定性，并且还可以大幅度减少深度信念网络的训练与测试时间，提高对故障的诊断效率。

技术领域

本发明属于滚动轴承故障诊断技术领域，具体涉及一种基于双稀疏字典稀疏表示结合深度信念网络的滚动轴承故障诊断方法。

背景技术

滚动轴承作为旋转机械中使用最广泛的一类关键零部件，其运行状态对整台机器的综合性能表现有直接影响，一旦发生故障后，停机维护甚至是重大事故将不可避免。机械振动信号最能够反映滚动轴承状态信息，因而对滚动轴承工作状态下的振动信号进行故障诊断是减少停机时间与维护成本并保证生产安全的行之有效的方法。

然而，由于机械振动信号本身不可避免地包含了一些噪声信息，具有非平稳性和非线性，利用研究者主观选取特征的方法不但费时费力，而且所提取的特征参数有时不能很好的代表信号本身的特点，区分度较差；且对于机械故障诊断而言，一个周期内的故障信息占整个振动信号的比例相对很少，在故障诊断分类识别时，这些时域信号中不能够代表故障信息的部分其实是“无用”的，如果能够减少或者去除这些对于故障分类没有帮助的成分，获得更简洁的故障信息，将使得故障诊断更为高效。

稀疏表示是近年来信号处理领域的一个热点，该理论指出，通过构建合理的字典模型，就可以利用少量字典原子的线性组合来近似的表示信号。其中，字典构造的大多数研究主要分为两种：分析字典和学习字典。分析字典是一种高度结构化的数学模型，具有求解快速的特点，但同时表现出对信号适应性较差的缺点，此类字典包括小波字典、DCT字典、曲线波字典等；学习字典是采用机器学习算法从一组样本信号本身训练获得的过完备字典，因此具有很好的自适应性，但由于非结构化，求解困难，此类字典包括PCA,MOD及K-SVD。

因此，由于采用分析字典或学习字典的常规稀疏表示进行滚动轴承故障诊断过程中机械振动信号处理时存在的上述问题而导致字典学习效率低，进而影响整个滚动轴承故障诊断的精度和准确率。

发明内容

为了提高对滚动轴承故障的诊断精度和准确率，本发明提出了一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法。该滚动轴承故障诊断方法，具体包括以下步骤：

步骤S1，采用双稀疏字典学习方法对建模滚动轴承机械振动信号进行训练，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。

优选的，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。

进一步优选的，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，首先建模滚动轴承机械振动信号与对应双稀疏子字典原子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。

优选的，在所述步骤S1中，获得双稀疏字典的具体过程为：