低速重载机械早期故障稀疏特征识别的研究

处于间歇工作状态的大型低速重载机械结构复杂、运行环境恶劣、早期故障识别非常困难，是当前信号检测与故障诊断领域的研究热点及难点。本项目在大型低速重载机械振动信号的物理模型及早期故障机理研究的基础上，采用Prony信号分解方法逼近故障信号，设计稀疏分解基原子及稀疏分解过完备原子库；进一步分析研究相干联合过完备原子库的相干系数与完全稀疏表示的关系，根据相干系数及振动信号的统计先验知识简化原子的数量，研究稀疏分解算法的快速计算方法，降低算法的复杂度，便于在检测系统中实时地进行数据处理。同时，在得到振动信号稀疏分解的快速算法后，对各分解的倍频与分频带分量及早期故障冲击分量进行研究，求取冲击时间间隔、冲击幅值、信号相位等早期故障信号的特征信息，实现大型低速重载机械早期故障诊断的目的。

大型低速重载机械是冶金企业的关键设备，一旦突发故障，维修工期长、危险性大，打乱正常生产秩序，给企业造成巨大的经济损失。这类设备突出特点是传动结构复杂、承载量大、工作转速低，传动机构运行工况呈典型的间歇性，始终处于起制动的过渡过程状态，其动力学特性表现为严重的非线性，使得传统的振动监测、诊断技术很难奏效。对大型低速重载机械的工作状态进行监测，获取早期故障的微冲击信息、确定故障点、预测设备的安全工作时间是目前冶金企业急需解决的难题。.针对大型低速重载机械早期故障诊断的难点，展开了如下研究工作：1、早期故障机理分析与特性的研究；2、过完备词典和稀疏性度量函数的构造；3、振动信号稀疏分解快速算法的设计；4、根据统计指标确定故障类型；5、原型系统的开发。.通过对大型低速重载机械的早期故障智能诊断、故障点定位、安全运行时间估计等关键技术的研究，取得的理论成果在实验平台上得到了验证，部分研究成果在工业现场取得了良好的应用效果。1）通过研究低速重载机械故障的机理，建立了故障检测的数学模型，提出基于稀疏表示的故障信号识别方法，用故障过完备字典代替传统的完备字典，实现了MP集合搜索快速算法，对早期故障信号（裂纹、点蚀等）的智能识别效果良好；2）提出基于稀疏特征相似性的多源解耦方法，根据稀疏表示后原子的稀疏相似性构造分离矩阵，并通过人工自主学习调整分离矩阵稀疏系数，实现了多振源信号的智能分离；3）提出基于L1L2组合范数稀疏模型的故障诊断方法，利用改进型K-SVD字典学习算法构造自适应字典以匹配故障特征成分，采用正交匹配追踪算法对低速重载机械的振动信号进行稀疏分解，利用组稀疏分解算法求出组稀疏系数，根据重构的组误差最小值判断故障类型；4）提出基于故障等级案例及稀疏特征的寿命预测方法，用稀疏特征与大量案例的自主学习，构造故障等级模型，实现了早期故障发生后剩余寿命的预测；5）建立了原型系统的故障诊断平台。故障诊断平台可以方便地进行理论研究成果的验证，也为后续的研究工作奠定了基础；6）关键数据及其科学意义。当故障诊断信号的点数N=1024时，过完备原子库中原子个数为251658240，MP算法完成一次原子搜索需要251658240次内积运算。当划分为两个等价子库时，MP集合搜索快速算法完成一次原子搜索只需要42次卷积运算，20次内积运算，计算复杂度大大降低，使得稀疏算法的工程应用成为可能。