基于压缩感知的滚动轴承稀疏特征提取方法研究

Condition monitoring system is widely used in industrial field of rotating machinery. A lot of condition data without compression is produced by the system. Massive data storage is problem caused by data "explosion" ,and storage resource wasting. This research focuses on compressed sensing in sparse feature extraction of rolling bearings with noise. The sparse representation based on dictionary learning is put forward to solve the optimal sparse representation of vibration signal with noise, and demising. A adaptive measurement matrix is proposed to compress signal more effective, while information which is used to reconstruction is obtained . A sparse reconstruction algorithm based on iterative threshold method is explored, while can effectively reduce the residual. Some sparse feature parameters based on statistic characteristics and energy distribution are designed, which have more concise representation and more sensitivity of fault information. A sparse feature classifier based on clustering is used to fault diagnosis. Research can effectively solve the mass data storage problem, which is beneficial to solve the problem of low efficiency of big data.

目前工业现场的旋转机械广泛使用的状态监测系统，其产生大量未经压缩的运行状态数据，导致数据“爆炸”引发海量数据存储、存储资源浪费等问题。以滚动轴承振动信号为对象，开展复杂噪声环境下滚动轴承稀疏特征提取的压缩感知方法研究。提出基于字典学习的信号稀疏化方法，实现噪声环境下信号的最优稀疏表示，满足压缩感知的前提条件；提出自适应观测矩阵生成方法，实现多工况条件下信号观测，保证获取重构所需信息的同时，对信号进行有效的压缩；提出基于阈值迭代方法的重构算法，有效降低重构误差；提出基于统计特征和能量分布的稀疏特征参数和基于聚类的稀疏特征分类器，实现滚动轴承的故障诊断，验证本项目中方法的有效性。研究成果能有效的解决海量状态数据存储的问题，即保证数据压缩后不丢失信息，且使用压缩后的数据进行诊断效率更高，从而为解决大规模数据采集带来的大数据、低效率问题进行有益的探索。

滚动轴承的特征提取与故障诊断是机械设备状态监测与故障诊断中关键问题之一，压缩感知理论为滚动轴承特征提取研究提供了一种新的途经。针对工业大数据引发的海量数据存储、提高现场诊断效率的课题，以稀疏表示和压缩感知理论为基础，建立压缩空间与原始空间之间的对应关系，从信号分析与故障诊断的角度出发研究其关键理论与算法：１）提出基于MOD改进方法的自适应字典学习方法，提高信号的稀疏度，采用自适应阈值方法对变换系数进行稀疏化，改进信号重构算法，实现基于稀疏变换的信号自适应降噪；２）分析不同观测矩阵在降维过程中信息的损失，推证信号在随机投影过程中能量近似保持的性质，在降维空间内开展信号分解与频带能量提取方法研究，提出基于能量特征的压缩域特征提取方法；３）以滚动轴承振动信号和声发射信号为对象，验证随机投影能够消除不同工况带来信号观测的复杂性和不确定，以及信号在随机投影过程中的能量保持。将压缩域特征与机器学习相结合，提出基于支持向量机的压缩域故障诊断模型，用于滚动轴承的状态评估与故障诊断，有效提高故障诊断的效率。