基于特征基的GMC卷积稀疏机械故障特征解析方法

在机械设备的复杂工况下,监测信号易受多振动源及环境噪声干扰,导致故障特征微弱且呈现强耦合特性,这给设备故障诊断带来极大挑战。因此,提出了一种基于振动特性基的GMC增强卷积稀疏机械故障特征解析方法,实现微弱耦合故障特征解析。首先,构造了一种自适应单边衰减小波匹配算法以获取最优特征原子,将最优特征原子升维同时匹配故障周期,以得到具有周期特征的振动特征基。其次,提出基于GMC增强的卷积稀疏编码,结合振动特征基优化求解稀疏系数。此外,提出了一种基于平均峭度与谐波能量比的过程参数优化选择方法,克服了优化过程中关键参数难选取的问题。最后,提取包络谱主要特征与理论故障特征频率对比判断故障类型。通过仿真分析和试验台信号验证,并对比分析了基于谱峭度分解和可调变Q因子小波变换GMC稀疏增强等两种传统方法。实验结果表明,相较于上述两种传统方法,本文提出的方法可以有效地分离不同类型的故障特征信号,并实现故障特征的增强。

频域组稀疏滚动轴承特征提取方法

针对时域非平稳振动信号模式混叠、信噪比低,以及传统稀疏表示算法模型复杂、优化求解算法难以确定,导致故障特征提取难的问题,提出了频域组稀疏和群桥约束改进迭代收缩阈值优化的故障特征提取方法(Group Sparse Representation in Frequency Domain,GSRF)。将振动信号转换至频域并对变量分组,构造施加群桥约束的最小二乘回归模型,准确筛选冲击相关变量;引入迭代重加权系数简化方程,以软阈值收缩优化求解频域稀疏信号;对重构的时域稀疏信号进行包络频谱分析提取故障特征。试验结果表明,提出的频域组稀疏算法优于传统的结合L21范数约束的组稀疏索套方法,可有效提取微弱故障特征,实现稀疏域下的轴承故障诊断。