一种基于字典学习的离合器轴承故障识别方法与流程

本发明属于信号处理与故障诊断领域，尤其是涉及一种基于字典学习的离合器轴承故障识别方法。

背景技术：

1、轴承作为离合器等旋转设备的关键部件，决定着离合器等旋转设备是否能够稳定运行。轴承的局部缺陷故障主要指锈蚀、磨损、表面损伤等发生在轴承部件表面局部区域的故障类型，基本是轴承故障的最终表现形式(即其他类型故障最终大多也会诱发产生局部缺陷故障)。轴承锈蚀是离合器轴承使用过程中遇到的主要问题之一。轴承表面光洁度要求高，轴承磨损及表面损伤是离合器轴承最常见的局部缺陷模式，轴承工作时，滚动体与内圈或外圈所受的负荷随着轴承运转周而复始地变化着。这种负荷为交变负荷，又由于滚动体与内圈或外圈的接触面积很小，接触应力很大，在这种巨大的交变接触应力多次反复作用下，离合器轴承在其相互作用表面的局部地区产生小块材料剥落，形成麻点或凹坑，称为疲劳磨损。除此之外，离合器轴承在加工生产和安装调试过程中还可能导致部件表面划伤、磕碰伤等表面损伤，其也是常见轴承局部缺陷形式。

2、常见的轴承故障形式包括：内部保持架断裂、滚珠点蚀、内圈点蚀、外圈点蚀。轴承在产生故障的时候必然伴随着其他多种振动激励源和强噪声，这些多激励源的信号势必会相互影响，有用的故障特征信号可能埋没在噪声中。

3、目前轴承故障的识别方法通常是计算其理论的故障频率，根据实际获取到的信号是否包含特征频率来判断。在信号处理领域常用的特征频率检测方法主要有包络谱、循环平稳以及解卷积等。

4、包络谱是信号处理中用来提取信号振幅信息的一种技术。它是通过对信号的包络进行傅里叶变换来实现的，通常针对随时间变化的幅值信号。包络谱可以用来识别信号振幅变化的频率，并量化每个频率的变化量。包络谱可以识别旋转机械中故障，如轴承磨损、不对中和不平衡，是一种简单而有效的方法。通常情况下，包络谱包括平方包络和希尔伯特包络。平方包络是指对信号进行过滤，以去除任何不需要的频率。这通常是用一个带通滤波器进行实现。然后对过滤后的信号进行平方处理，并对一个时间窗口进行平均后进行傅里叶变化，得到就是包络谱。希尔伯特包络谱主要是先计算信号在希尔伯特域的表示，将原始信号相位移动90度作为虚部，将原始信号作为实部，再求解平方包络。

5、循环平稳信号是是其统计特性随时间周期性变化的信号。信号的均值、自相关和功率谱密度都随时间周期性地变化。循环平稳分析是旋转机械故障诊断的一个强有力的工具。它可以用来从振动信号中提取仅在时域或频域中不可见的特征。循环平稳分析的基础是旋转机械的振动信号通常是周期性的。这种周期性可能是由叶片的旋转，载荷周期性的波动造成的。循环平稳分析可以提取信号中与周期性相关的故障特征，可用于识别旋转机械的以下故障：轴承故障、齿轮故障、轴的不对中、松动。

6、解卷积是将卷积对信号的影响逆转的过程。卷积是一种数学运算，它将两个信号结合起来，产生第三个信号。在信号处理中，卷积经常被用来模拟一个系统对信号的影响。例如，卷积可以用来模拟滤波器对信号的影响。解卷积可以用来改善被系统干扰的信号的质量。例如，解卷积可以用来消除信号中的噪音，或锐化图像的边缘。解卷积在故障诊断中可以消除机械系统对于故障信号的影响，提升信号的信噪比。有许多不同的去卷积方法。最常见的方法是使用傅里叶变换。傅里叶变换将一个信号从时域转换到频域。在频域中，卷积就是简单的乘法。

7、但是，这些常用的特征频率检测方法不能很好地从强噪声背景干扰下提取故障特征，不能清晰地分辨出与轴承故障的相关数据，此外由于轴承故障种类繁多，采用现有常用的识别方法来准确识别出故障类型是非常的困难。

技术实现思路

1、本发明提供了一种基于字典分类的轴承故障识别方法，能够自适应学习不同类型的故障特征并生成对应的原子，能够在数据量较小的情况下准确分辨不同类型的轴承故障。

2、所述基于字典学习的离合器轴承故障识别方法包括：

3、步骤s1：采集离合器轴承的不同故障下的振动信号，根据振动信号的数据量大小，确定用于学习训练的原始字典的维度和字典中每类原子个数；

4、步骤s2：基于费氏判别准则和低秩约束来训练步骤1中确定的原始字典，将训练好的原始字典进行时移拓展，得到第一层字典；

5、步骤s3：将训练样本数据投影到第一层字典，得到稀疏系数，统计相应原子对应的稀疏系数的非零元素个数，由高到低将其排序，根据排序结果从第一层字典中选取前n个原子；

6、步骤s4：将选取的前n个原子作为输入信号，重新训练所述第一层字典，并将训练好的第一层字典进行时移拓展，得到第二层字典；

7、步骤s5：将测试样本数据投影到所述第一层字典和所述第二层字典所构成的联合字典上，得到相对应的稀疏系数，将稀疏系数与对应的子字典相乘，求其均方值并作为特征值；

8、步骤s6：将采集的振动信号进行加窗滑移生成二维信号后，将其按步骤s5的方法进行处理后得到特征值，通过将该特征值与步骤s5得到的特征值进行比较，可以得出所述采集的振动信号的故障类型。

9、有益效果：

10、1、本发明提出的轴承故障识别方法，采用字典分离和字典学习原理，能够通过自适应的字典学习，自动更新字典中原子，自动提取不同状态信号的特征，同时可以将采集到信号投影到原子上并生成特征。

11、2、本发明提出的识别方法极大提升了不同种类信号的判别能力，在较小的样本条件下能够从强噪声背景干扰下提取故障特征，同时能够清晰的分辨出与轴承故障的相关数据，能够准确识别出轴承所处的不同故障类型。

技术特征：

1.一种基于字典学习的离合器轴承故障识别方法，包括：

2.根据权利要求1所述的一种基于字典学习的离合器轴承故障识别方法，其中，对每个故障类型采集相同数量的振动信号，对振动信号进行加窗滑移，生成二维信号，将不同故障状态下采集到的相应振动信号进行堆叠，得到训练数据，将训练数据分成训练样本数据和测试样本数据。

3.根据权利要求1所述的一种基于字典学习的离合器轴承故障识别方法，其中，所述选取前n个原子的确定方法为：

4.根据权利要求1所述的一种基于字典学习的离合器轴承故障识别方法，其中，所述联合字典的构成方法是：将所述第一层字典和所述第二层字典串联起来形成维度为k×2m的字典。

5.根据权利要求1所述的一种基于字典学习的离合器轴承故障识别方法，其中，所述子字典是指联合字典里的第一层字典和第二层字典中表示每种故障类型的字典。

6.根据权利要求1所述的一种基于字典学习的离合器轴承故障识别方法，其中，将稀疏系数和对应的子字典相乘，能够得到一个维度为1×c的特征向量，将其中的最大值作为特征值。

技术总结
本发明涉及一种基于字典学习的离合器轴承故障识别方法，其包括采集离合器轴承的不同故障下的振动信号，确定原始字典的维度；基于费氏判别准则和低秩约束来训练原始字典并进行时移拓展得到第一层字典；将训练样本数据投影到第一层字典得到稀疏系数，统计稀疏系数是非零元素的个数，按高到低顺序选前n个原子；用前n个原子重新训练第一层字典并进行时移拓展，得到第二层字典；将测试样本投影到第一层和第二层字典构成的联合字典上得到稀疏系数，将稀疏系数与对应的子字典相乘，求其均方值并作为特征值；将采集的振动信号进行加窗滑移处理，将其投影到联合字典上进行处理后得到特征值，通过对比，得出所述采集的振动信号的故障类型。

技术研发人员：罗强,傅顺军,曾林锡,陈文聘,马相龙
受保护的技术使用者：中国船舶集团有限公司第七〇四研究所
技术研发日：
技术公布日：2024/3/17