基于索引冗余字典的轴承故障组稀疏分类方法研究

基于声发射信号的高速列车轮对轴承早期故障状态诊断和分类复杂性高,常用的人工神经网络及支持向量机方法在参数设置与多分类问题上存在困难。组稀疏分类(GSRC)仅通过超完备字典下稀疏重构即可实现理想的多分类,在图像、语音分类中成为热点。为将GSRC用于轴承故障识别,设计了一种带索引的复合故障冗余字典,利用样本信号多尺度排列熵构成索引字典的小体积优势预先匹配来缩小故障类范围,以邻近梯度法和最优一阶加速的组LASSO约束优化算法来提高收敛性和计算速度;采用改进EEMD结合变分模态分解自适应的获得各故障类初始原子,以保留故障的非线性特征,同时提出一种原子区间平移稀疏编码方法(Interval Translation Sparse Coding, ITSC)放宽了样本数据截取要求,原子有更好的紧凑性与稀疏性;对七类轴承缺陷试验台跑合声发射信号进行分类,验证了该方法的性能。