基于压缩感知的主轴轴承强欠定多源信号分离与同步诊断方法

Main shaft bearing, as a substantial component that causes failures of aircraft engines, determines the flight safety. Its monitoring and diagnosis is therefore with significant meaning. Subjected to the complex engine structure and multiple unknown effects, the number of multi-source coupled monitoring signal of main shaft bearing is less than the number of excitation sources, which results in the challenge on underdetermined multi-source signal decomposition. Aiming at the significant strategic need on aircraft engine monitoring in our country, a research of underdetermined blind source separation and synchronized diagnosis based on compressive sensing for main shaft bearing is proposed in this project. A data-driven adaptive sparse dictionary reconstruction method for multi-source signal separation will be developed, by realizing the ideal sparse representation of signal. An improved probabilistic classification method will be studied for accurate estimation of robust mixed matrix. Through establishing the mapping from mixed matrix to measurement matrix, an underdetermined blind source separation model will be proposed, followed by a sparse and optimized solution for effective multi-source separation. Finally, a fusion model of signal decomposition and fault diagnosis will be developed based on compressive sensing, realizing the recognition of fault characteristic synchronously in the underdetermined blind source separation process, and which will provide scientific and technological basis for aircraft engine monitoring.

主轴轴承是航空发动机故障高发的关键部件之一，直接影响飞行安全，其状态监测与诊断极具挑战。受发动机结构所限和多种未知因素影响，多源耦合的轴承监测信号数目远小于激励源数，在此强欠定条件下的多源信号分离是状态监测必须解决的关键问题。本项目面向我国对航空发动机监测的重大战略需求，以主轴轴承为对象，开展基于压缩感知的强欠定多源信号分离与故障同步诊断方法研究，重点研究数据驱动型的多源信号自适应联合稀疏字典构建方法，实现信号的理想稀疏表征；发展基于概率模型的改进聚类算法，完成强鲁棒性混合矩阵的准确估计；研究混合矩阵到测量矩阵的映射关系，建立基于压缩感知的欠定盲源分离模型，提出欠定方程稀疏优化求解策略，实现多源信号有效分离；研究盲源分离过程中匹配追踪故障特征的压缩感知方法，构建信号分离与故障诊断融合模型，提出基于压缩感知的强欠定多源信号分离与同步诊断新方法，为研发航空发动机轴承健康监测系统提供技术支撑。

航空发动机是航空装备的“心脏”，是国家战略必争的关键装备，主轴轴承是其关键部件之一，也是易发故障的薄弱环节。课题面向国家重大战略需求，以主轴轴承为对象开展多源耦合信号欠定盲源分离与故障诊断方法研究，提出了数据驱动自适应稀疏表示与故障特征增强方法，建立了欠定盲源分离和诊断模型，构建了基于卷积神经网络的深度智能诊断网络，实现故障特征增强和深度智能诊断。主要研究工作如下： .（1）数据驱动自适应稀疏表示与故障特征增强方面。构建了与信号自适应匹配的稀疏字典，提出基于终止准则K-SVD字典学习的稀疏特征增强方法；通过弹性网约束算法提升抗噪性能，发展了在线学习字典约束的特征提取方法；提出了自适应完备字典故障稀疏特征提取及随机降维映射多尺度稀疏特征增强方法；建立了稀疏目标方程凸优化求解，提出受控极小化稀疏增强算法；构造峰值特征参数波形，提出了基于Teager峰值能量的故障特征提取方法。.（2）盲源分离模型构建及多源信号分离与诊断方面。建立了盲源分离和故障诊断模型，提出稀疏促进优化求解策略，实现了多源信号分离和故障诊断。构建了能量收敛因子改进局部非负矩阵分解的盲源分离模型；通过三维空间势函数对聚类信号进行混合矩阵估计，提出基于三维几何特征信号分离方法；构建了基于受控极小化和约束稀疏分量分析的复合故障诊断方法；提出了基于稀疏理论的自适应数据修复方法以及信号重构方法。.（3）多源信号融合深度网络构建与智能诊断方面。提出多传感信号图像构建算法，搭建了瓶颈层优化卷积神经网络；利用红绿蓝颜色空间将多传感振动信号映射为彩色图像，构造了基于LeNet-5的CNN智能诊断网络；提出了自适应融合策略的一维CNN智能诊断算法；将改进动态统计滤波与深度卷积神经网络结合，提出基于电流信号故障智能诊断方法；基于三值逻辑理论、信号直方图分析算法，提出了信号质量检测和故障智能识别方法。.上述方法均采用了轴承振动仿真信号和实验信号或工程信号验证其可行性及有效性,,可为研发航空发动机轴承健康监测系统提供方法和技术支撑。