[发明专利]基于分层稀疏编码的滚动轴承故障特征提取方法

摘要

基于分层稀疏编码的滚动轴承故障特征提取方法，先对轴承振动信号进行高频采样，截取一段时间内的信号作为原始时域信号；然后构建固定字典稀疏编码模型，设置相关参数，设置运用固定字典稀疏编码模型，经稀疏编码得到稀疏表征系数矩阵，通过固定字典及稀疏系数矩阵相乘得到与故障信号无关的谐波干扰成分；再从原始时域信号中滤除谐波干扰成分，得到输入时域信号；再构建基于K‑SVD的字典学习模型，输入时域信号作为该模型的输入，根据参数设置，运用该模型进行特征提取，得到故障相关特征；对故障相关特征做希尔伯特变换后做快速傅里叶变换，得到故障相关特征包络谱，输出诊断结果；本发明提高了信噪比，并滤除无关信号。

主权项

1.基于分层稀疏编码的滚动轴承故障特征提取方法，其特征在于，包括以下步骤：步骤一，将振动加速度传感器吸附于被测试滚动轴承端部的轴承盖上，对轴承振动信号进行高频采样，得到振动数据，根据采样频率及转速，截取一段时间内的信号直接作为原始时域信号，记为y(t)；步骤二，构建固定字典稀疏编码模型，设置相关参数，相关参数包括数据样本分割长度、字典原子数目、迭代阈值、稀疏度、固定字典；步骤三，根据步骤二的参数设置运用固定字典稀疏编码模型，经稀疏编码得到稀疏表征系数矩阵，通过固定字典及稀疏系数矩阵相乘得到与故障信号无关的谐波干扰成分Δ(t)；步骤四：从原始时域信号y(t)中滤除步骤三中得到的谐波干扰成分Δ(t)，得到下一阶段输入的时域信号步骤五：构建基于K‑SVD的字典学习模型，初始化学习字典D，设置D的原子长度及个数，迭代阈值、迭代次数、稀疏度；步骤六：输入步骤四得到的时域信号作为基于K‑SVD的字典学习模型的输入，根据步骤五中的参数设置，运用基于K‑SVD的字典学习模型进行特征提取，首先固定字典，利用正交匹配追踪算法求解系数矩阵，然后利用SVD算法逐列进行字典更新，重复此步骤直至满足迭代条件；最终提取故障相关特征步骤七：对步骤六中的故障相关特征做希尔伯特变换后做快速傅里叶变换，得到故障相关特征包络谱，输出诊断结果。