传统方法很难对滚动轴承的早期微弱故障进行有效诊断。共振稀疏分解是一种基于多字典库的稀疏分解方法,可以同时分解出滚动轴承故障信号中的瞬态冲击成分及其持续震荡成分(工频及其谐频成分)。该方法在对滚动轴承早期微弱故障信号进行自适应滤波降噪(using ensemble empirical mode decomposition,EEMD方法)基础上,对处理后的信号进行共振稀疏分解分析,分别构建高、低品质因子小波基函数字典库,并利用形态学分析方法建立信号稀疏表示的目标函数,进而实现对滚动轴承发生故障时具有低品质因子的瞬态故障成分及其他持续振荡高品质因子噪声成分的成功分离。对分离得到的低品质因子信号成分进行包络解调分析,进而得到较好的故障提取特征结果。通过实验验证了所述方法的有效性。

共振稀疏分解

共振稀疏分解中信号品质因子的定义。信号品质因子Q的定义:

式子中,

为信号一个振荡冲击的中心频率;
为其带宽。
的大小反映了信号的共振属性;
越大,信号的频率聚集性越好,具有越高的品质因子;反之,信号就具有低的共振属性。根据品质因子的定义可知:瞬态冲击信号为带宽信号,具有低的品质因子;持续振荡周期信号为窄带信号,具有高的品质因子,如下图所示。在用小波变换对待定信号进行分解时,小波基的选取对分解结果有着重要的影响,当待分析信号具有高的品质因子时,选取的小波基函数就需要有高的品质因子;反之亦然,当待分析信号同时含有高品质因子及低品质因子信号时,就需要用时构建两种不同品质因子的小波基函数对信号进行分解。传统的小波分析方法只能选取单一品质因子的小波基,共振稀疏分解提出了解决上述问题很好的方法。
图1 高品质因子持续振荡信号及低品质因子瞬态冲击信号

共振稀疏分解是由Selesnick提出的。该方法根据瞬态冲击信号与持续振荡周期信号品质因子的不同,将一个复杂信号分解成由持续振荡成分组成的高品质因子信号和由瞬态冲击成分组成的低品质因子信号。当滚动轴承发生故障时,其信号主要成分为故障引起的瞬态冲击成分、转频及其谐波等持续振荡成分。由上述共振稀疏分解的性质可知,十分适用于滚动轴承冲击信号和其他持续振荡信号的分离。而传统的小波变换实际上是单一恒品质因子变换(品质因子由所选取的小波基决定),对滚动轴承发生故障时同时具有的高、低品质因子信号成分的分解不再适用。共振稀疏分解通过带通滤波器组实现,其两通道滤波器组如图2所示。

图2 两通道滤波器组

图2中:

为高通尺度因子,
为低通尺度因子,
为冗余度;子带信号
的采样频率为
;
的采样频率为
,
为原信号
的采样频率,共振稀疏分解利用图2(a)所示两通道分解滤波器组以迭代的方式实现信号的分解,L层共振稀疏分解如图3所示,图3中,
为信号经过第j层变换得到的高频系数;
为经过第j层变换得到的低频系数,

MP.m

%  function:MP algorithm applied to decomposition of one signal named bat%% part 1:  read data (to be processed ) % load bat.dat
% bat = imread('bat.jpg');    % 读参考图像clc;
close all;
clear;
T=0.256;
fs=1000;
t=1/fs:1/fs:T;
[H,Lie]=size(t);
x=sin(2*pi*100*t);
bat=x;   %% part 2:
%% part 2.1  determine the decomposition parametersiterative_number=20;       %  the matching pursuit processing iterative number[a,N]=size(bat);%  the length of signal and the length of atoms;Nsignal_reconstruct=zeros(1,N);signal_r=bat;a_base=2;
j_min=0;
j_max=log2(N);
u_base=1/2;
p_min=0;
v_base=pi;
k_min=0;
w_base=pi/6;
i_min=0;
i_max=12;%% part 2.2  the matching pursuit process  for n=1:iterative_number%% the following program uses one subroutine to select the best atom;[proj,scale,translation,freq,phase]=select_best(signal_r,N,a_base,j_min,j_max,u_base,p_min,v_base,k_min,w_base,i_min,i_max);%% reconstruct the best atom from the parameters gotted by above subroutinet=0:N-1;t=(t-translation)/scale;g=(1/sqrt(scale))*exp(-pi*t.*t).*cos(freq*t+phase);g=g/sqrt(sum(g.*g));signal_reconstruct=signal_reconstruct+proj*g;signal_r=signal_r-proj*g;subplot(221);plot(bat);legend('original signal');subplot(222);plot(g);legend('best atom selected');subplot(223);plot(signal_r);legend('residual signal');subplot(224);plot(signal_reconstruct);legend('reconstructed signal');drawnow;disp('the MP process number or the number of atoms selected='),disp(n);
end

select_best.m

function [proj,scale,translation,freq,phase]=select_best(signal_r,N,a_base,j_min,j_max,u_base,p_min,v_base,k_min,w_base,i_min,i_max);%% this subroutine program(子程序)is to select in the dictionary the best atom suited the signal or the residual of the signal% INPUT
% the signal_r: the signal or the residual of the signal to be decomposed
% the N: the length of the signal or of the residual of the signal or the length of the atoms% parameters :the parameter to construct the dictionary , it has much influence on the speed of the decomposition
% a_base=2;
% j_min=0;
% j_max=log2(N);% OUTPUT
% proj:the projection of the signal or the residual of the signal on the best atom
% scale:the scale of the best atom(s in the formula)
% translation:the translation of the best atom(u in the formula)
% freq:the freq of the best atom(v in the formula)
% phase:the phase of the best atom(w in the formula)% proj_trans:to determine which projection is biggest
proj_trans=0;
proj=0;% size_dic is one parameter to show the size of the over-complete dictionary used
size_dic=0;% [hy,hx]=meshgrid(0:32-1,0:32-1);
% m=32;n=32;for j=j_min:j_maxfor p=p_min:N*2^(-j+1)for k=k_min:2^(j+1)for i=i_min:i_maxsize_dic=size_dic+1;s=a_base^j;u=p*s*u_base;v=k*(1/s)*v_base;w=i*w_base;t=0:N-1;t=(t-u)/s;g=(1/sqrt(s))*exp(-pi*t.*t).*cos(v*t+w);g=g/sqrt(sum(g.*g));proj_trans=sum(signal_r.*g);if abs(proj_trans)>abs(proj)proj=proj_trans;scale=s;translation=u;freq=v;phase=w;endendendend
enddisp('the size of the dictionary='),disp(size_dic);  % size_dic: the size of the dictionary
end%%%%%%%%%%%%%%%%%%%%%%%% end  %%%%%%%%%%%%%%%%%%%%%%%%%%%%%

参考文献

张勇. 基于共振稀疏分解的滚动轴承早期微弱故障诊断[J]. 中国工程机械学报, 2017, 015(002):182-188.

稀疏表示的合适字典_基于共振稀疏分解的滚动轴承早期微弱故障诊断相关推荐

  1. 附Matlab源码:滚动轴承早期故障优化自适应蝙蝠算法优化的随机共振诊断法

    附Matlab源码:滚动轴承早期故障优化自适应蝙蝠算法优化的随机共振诊断法 文章目录 附Matlab源码:滚动轴承早期故障优化自适应蝙蝠算法优化的随机共振诊断法 前言 一.自适应蝙蝠算法优化的随机共振 ...

  2. 稀疏自编码器_基于tf实现稀疏自编码和在推荐中的应用

    稀疏自编码 自编码器(Auto-Encoder)顾名思义,即可以利用自身的高阶特征编码自己.自编码器也是一种神经网络,他的输入和输出是一致的,他借助稀疏编码的思想,目标是使用稀疏的一些高阶特征重新组合 ...

  3. 稀疏自编码器_基于tensorflow实现稀疏自编码和在推荐中的应用

    稀疏自编码 自编码器(Auto-Encoder)顾名思义,即可以利用自身的高阶特征编码自己.自编码器也是一种神经网络,他的输入和输出是一致的,他借助稀疏编码的思想,目标是使用稀疏的一些高阶特征重新组合 ...

  4. 多帧点云数据拼接合并_基于单帧图像与稀疏点云融合的道路交通标线提取算法研究...

    摘要: 近年来以人工智能为代表的新一代科学技术迅速发展,众多基于位置的新型服务对传统导航电子地图提出新的需求.GNSS(Global Navigation Satellite System,全球导航卫 ...

  5. 特征图谱字典_空间数据图谱为特征

    特征图谱字典 For my first Medium post I will show a nice, easy way to enrich your spatial data with featur ...

  6. arm linux考勤,定稿毕业论文_基于ARM与Linux的员工刷卡考勤系统喜欢就下吧(范文1)...

    <毕业论文_基于ARM与Linux的员工刷卡考勤系统.doc>由会员分享,可免费在线阅读全文,更多与<(定稿)毕业论文_基于ARM与Linux的员工刷卡考勤系统(喜欢就下吧)> ...

  7. Mothur5进阶_Mothur扩增子基因序列分析_基于OTU或ASV的多样性指数分析

    本文主要讲解了使用Mothur软件对扩增子基因序列基于OTU或ASV进行多样性指数分析. 01文件名称的再处理 当比较早期和晚期样本时,最初的问题与这些样本的稳定性和群落结构的变化有关.组名是F或M( ...

  8. 《中国人工智能学会通讯》——11.70 基于黎曼流形稀疏表示的视觉目 标跟踪方法...

    11.70 基于黎曼流形稀疏表示的视觉目 标跟踪方法 如引言所述,视觉目标跟踪中表观建模主要分为目标表示和统计建模两部分.上两节主要关注的是在跟踪中如何设计一种有效的统计模型.本节主要关注的是表观建模 ...

  9. 【图像融合】基于matlab稀疏表示多光谱图像融合【含Matlab源码 1301期】

    ⛄一.获取代码方式 获取代码方式1: 完整代码已上传我的资源:[图像融合]基于matlab稀疏表示多光谱图像融合[含Matlab源码 1301期] 获取代码方式2: 付费专栏Matlab图像处理(初级 ...

  10. matlab稀疏贝叶斯,基于变分稀疏贝叶斯学习的DOA估计

    作为阵列信号处理技术的重要研究方向之一,信号到达角(DOA)估计被广泛应用到雷达.声呐等领域.以MUSIC[和ESPRIT[为代表的传统空间谱估计算法,实现简单,且空间分辨率高,但要求高信噪比以及多快 ...

最新文章

  1. 运行从别处复制过来的linux可执行程序
  2. Tomcat端口被占用怎么查看占用程序
  3. python部分引入total值的问题_Python数据分析基础与过程综述,关键数据预处理异常点的发现与处理,python,及,流程,回顾,重点,之,值...
  4. 小白学深度之LSTM长短期记忆神经网络——深度AI科普团队
  5. 美国能源局投2100万美元加速光伏软成本下降
  6. PHP正则表达式详解(三)
  7. 《Mining Text Data》阅读笔记---第1章 An Introduction to Text Mining
  8. 多思计组原理虚拟实验室_多思计算机组成原理虚拟实验室
  9. 计算机办公自动化应用课程,1-《计算机应用基础(办公自动化)》课程标准.doc
  10. 孪生网络(1)_孪生网络的分类
  11. JS 实现复制粘贴功能
  12. deviceOrientation简介
  13. vivo NEX3史上最强旗舰机!瀑布屏+骁龙855+44W+5G,对战华为
  14. vue中父传子,父传孙说明
  15. python开发的gui界面,python写gui应用程序
  16. 推荐引擎Mahout初体验
  17. 盘点 深度学习妖怪 之 激活函数妖
  18. AutoCAD Civil3D纵断面图中如何修改坡长为变坡点之间的距离
  19. 北美电影票房Top10-2020年1月10日:《1917》扬眉吐气
  20. 在公司三年跌宕起伏的经历

热门文章

  1. 【一天一个C++小知识】008.内联函数
  2. HDU-2057(16进制的输入输出)
  3. 实用教程详解:用OpenCV的DNN模块部署YOLOv5目标检测
  4. 2020,我的年终总结(附优惠券)
  5. Cartographer 安装 2021.10.27
  6. 数据库已关闭。请指定主机身份证明以访问数据库重新启动和诊断工具
  7. java中遍历Map几种方法
  8. selenium python自动化测试 ddt数据驱动
  9. cf500B New Year Permutation
  10. mysql 5.1 到 mysql 5.2的出现的索引BTREE问题 use near 'USING BTREE