基于稀疏表示和大间隔分布学的轴承故障分类诊断方法

摘要

本发明提供了一种基于稀疏表示和大间隔分布学的轴承故障分类诊断方法，该方法克服了现有单通道机械复合故障诊断方法中信号分解不完备、重构信号难以较好保持观测信号特征等不足，通过完备总体经验模态分解法实现信号从一维到高维的转化，保证了分解的完备性，抑制了模态混叠现象；同时，在盲源信号的特征提取处理过程中，引入了基于稀疏表示的维数约简方法，通过稀疏表示对数据进行稀疏重构，从全局数据中提取出数据特征信息，使得重构信号能够更好的保持了观测信号数据特征；并且，在对待测轴承机型故障类型分类处理过程中，引入了大间隔分布学分类方法，借助大间隔分布学分类方法的泛化能力，能够提高轴承故障诊断的准确性和有效性。

主权项

基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法，其特征在于，包括如下步骤：1)在待测轴承转动工作时，通过单个加速度传感器采集待测轴承的振动加速度信号，作为待测轴承的单通道的盲源信号；2)将获取到的盲源信号使用完备总体经验模态分解法进行分解，将盲源信号分解成一系列的本征模函数，并由分解后得到的全部本征模函数分量构成盲源信号的观测矩阵X；3)根据盲源信号的观测矩阵X，采用贝叶斯信息准则估算出盲源信号所含的信号源数目；4)以盲源信号所含的信号源数目作为目标维数，利用稀疏保持投影方法将盲源信号的观测矩阵X进行维数约简，约简至目标维数，构成投影特征矩阵；5)将投影特征矩阵投入特征矩阵近似联合对角化分离算法，计算出分离矩阵，通过分离矩阵与观测信号矩阵求得盲源信号的分离信号；6)分别计算历史故障信号和待测轴承的盲源信号的分离信号的时频域特征，构成历史故障信号和待测轴承盲源信号各自的特征矩阵；7)以历史故障信号的特征矩阵作为分类基准数据，将待测轴承的盲源信号的特征矩阵作为分类识别特征，利用大间隔分布学习分类方法对盲源信号进行分类识别，确定待测轴承的盲源信号所属的故障工况类别，作为待测轴承故障类型的分类诊断结果。