基于信号稀疏表征理论的旋转机械微弱故障特征提取方法研究

In recent years, the emerging and development of signal’s sparse representation theories have paved a new direction of “over-complete representation” in the signal processing area, and the goal is to find the sparsest expression under the redundant basis function dictionary. The main advantage of the sparse representation application in fault diagnosis is to extract structural and morphological details of different components in the signal. Based on the research for sparse decomposition algorithms and over-complete dictionary design methods, which are two key problems in the signal’s sparse representation theories, this project focuses on some hot and difficult problems in fault feature extraction of rotating machinery, and the research can be divided into four parts: (1) the signal sparse representation method based on shift invariant dictionary learning, and its application in early weak fault feature extraction in rotating machinery; (2) the signal sparse representation method based on multi-dictionaries, and its application in different components separation between transient impulsive fault signatures, harmonic waves and noisy interference; (3) underdetermined “blind component extraction” based on the analysis of signal’s sparse components, and its application in multi-faults coupled fault signature separation; (4) Sparse feature extraction of signal’s two dimensional image, such as time-frequency image, bispectrum, shaft orbit, etc. The research in this project will effectively increase the accuracy of equipment fault diagnosis.

近年来，信号稀疏表征理论的兴起与发展为信号处理领域注入了一种新的所谓“过完备表示”的发展方向，其目标是从冗余基函数库里寻找对信号的最稀疏表达。信号稀疏表征理论在设备故障诊断中应用的主要优势在于其对故障信号内部不同成分结构和形态细节的高度表征和特征提取能力。本项目在研究稀疏分解算法和过完备字典构造方法等信号稀疏表征理论核心问题基础上，围绕旋转机械设备核心零部件微弱故障特征提取的热点难点问题，开展以下四部分研究：(1) 基于移不变字典学习的信号稀疏表征方法，及其用于旋转机械设备早期微弱故障特征提取；(2) 基于多字典库的信号稀疏表征方法，及其用于瞬态微弱冲击故障特征与谐波、噪声干扰成分的分离；(3) 基于信号稀疏成分分析的欠定“盲成分分离”方法，及其用于复合故障耦合特征分离；(4) 信号时频图、双谱、轴心轨迹等二维图谱的信息压缩与稀疏特征提取方法。本项目研究成果能有效提高设备故障诊断的准确性。

在故障诊断领域中，机械故障的特征成分往往在整体信号中呈现出重复性和稀疏性。本项目以旋转机械关键零部件为研究对象，开展基于信号稀疏表征理论的故障特征提取方法研究，充分发挥其对信号内部不同成分结构和形态细节的自适应表征和提取能力，以提高信号的信噪比，有效分离故障特征，为发展设备状态监测与故障诊断技术提供了一种新的思路与方案。.项目围绕稀疏分解算法和过完备字典的构建开展研究，按照预定研究计划，主要开展了以下五个方面的研究：1）基于多个分析字典库的稀疏表征与故障特征分离研究，根据现有不同形态的分析字典，实现了旋转机械振动信号中的谐波成分与冲击成分的分离；2）开展了基于字典学习的信号稀疏表征用于早期微弱故障特征提取技术研究，与最小熵解卷积技术结合，或者利用凸优化技术，对现有的K-SVD字典学习方法进行了改进，另外引入了移不变字典学习（SIDL）方法用于旋转机械故障特征提取，研究方法与基于分析字典的特征提取方法进行了对比；3）开展了基于移不变字典相关分析的单通道盲源分离方法研究，用以实现滚动轴承或齿轮箱中不同滚动轴承的复合故障的特征提取；4）开展了稀疏表征特征提取与模式识别方法相结合的研究，分别研究了基于移不变字典学习和K-SVD字典学习的稀疏特征构建方法，通过与现有模式识别技术相结合，实现了旋转机械设备的智能故障诊断；5）开展了针对二维图谱的稀疏特征提取与智能诊断方法，开展了基于双谱图像稀疏性非负矩阵分解的滚动轴承复合故障诊断，以及基于小波时频图像和判别式字典学习的机械故障诊断方法研究。.本项目通过旋转机械零部件的仿真与试验数据对方法的有效性进行了验证，为稀疏表征理论在机械信号故障特征提取的工程应用奠定了基础。另外，本项目还尝试开展了与稀疏表征具有相同理论基础的压缩感知技术研究，并在航空发动机管道声模态测试中开展应用基础研究。