[发明专利]一种稀疏紧框架字典学习模型的多故障辨识方法与装置

摘要

本公开涉及一种稀疏紧框架字典学习模型的多故障辨识方法与装置。所述方法在传统稀疏字典学习的过程中加入紧框架约束，将不同结构化的故障特征信息自适应地分解到一系列子空间中，并利用分析稀疏追踪算法消除大部分的高斯白噪声，然后利用故障动力学的物理先验，研究并设计出一组故障敏感性指标集，并通过最优子空间匹配技术实现复合故障信号的解耦，最后通过谱分析方法，识别复合故障模式。所述方法及装置方便且有效地实现多源特征子空间的解耦、以及多故障模式的辨识，对机械系统的核心组件维护和检修计划的安排调整给出指导性建议。

主权项

1.一种稀疏紧框架字典学习模型的多故障辨识方法，其特征在于，所述方法包括下述步骤：S100、获取待识别信号在紧框架字典学习模型下的一组紧框架滤波器；S200、利用所述紧框架滤波器获取待识别信号的降噪信号；S300、将所述降噪信号分解到每个紧框架滤波器所在的信号空间中，得到分解信号；S400、对每个分解信号，计算该信号的各类故障敏感性指标值；S500、将每类故障敏感性指标值中的最大值所对应的分解信号所在的子空间，作为潜在故障信号子空间，利用紧框架滤波器的重构算子对潜在故障信号子空间进行解耦后得到解耦信号；S600、辨识所述解耦信号所属故障类别；所述紧框架字典学习模型为具有紧框架约束的字典学习模型；所述故障敏感性指标为包络谱中每类故障的故障特征频率的前三阶倍频的能量占包络谱信号总能量的百分比；所述紧框架字典学习模型的表达式如下：约束条件：Ω^TΩ＝I式中：y为待识别信号；Ω为紧框架字典；为卷积运算符号；为构成紧框架字典的一组滤波器；S_i为第i个滤波器；r为滤波器个数，且r不小于故障类别数目；α为振动信号y在字典Ω下的稀疏表示系数；λ₁为正则化参数。