[发明专利]一种基于稀疏多周期组套索的多故障特征辨识方法

说明书

本发明公开了基于稀疏多周期组套索的多故障特征辨识方法，方法包括以下步骤：分析待识别的信号以构造二值周期序列b，基于故障特征信号呈现周期组内组间稀疏的特性获得促进周期组内组间稀疏的正则项P(x；b)，基于不同故障特征频率的区分性建立稀疏多周期组套索模型；分别构造稀疏多周期组套索模型中数据保真项和正则项的受控优化算子，通过受控优化算子的解耦，实现变量之间的分离，针对每个受控优化算子，建立其优化的闭式解，通过迭代求解每种故障的受控优化算子对应的闭式解，实现模型求解；通过仿真信号统计分析自适应设置正则化参数，通过所述参数得出算法的自适应求解，从而分离得到每种故障；针对分离得到的每种故障，通过包络分析辨识故障类型。

技术领域

本发明属于故障诊断方法技术领域，特别是一种基于稀疏多周期组套索的多故障特征辨识方法。

背景技术

预测与健康维护系统(PHM)越来越受到大家的关注，它对于降低机电系统运行维护的成本，避免灾难性的事故发生具有重要的意义。而振动信号分析由于其对故障特征的反映比较全面和及时，已经成为PHM中不可缺少的重要组成部分。但是机电系统由于结构的复杂性、零件的多样性和运行环境的恶劣性，其关键部件，诸如齿轮、轴承等，经常会发生故障，并且由于早期故障的影响，会产生链式反应，造成部件的多处损伤，即多故障的耦合。然而，通过采集到的振动信号中往往包含着大量的噪声，对多故障的分离和辨识提出了巨大的挑战。如何在消除干扰的同时，有效地分离多故障的成分，是PHM系统的基础支撑技术之一。

对于多故障分离，目前已经有大量的基于机器学习的方法被提出，如：K近邻算法、支持向量机、深度学习等。但是基于机器学习的多故障分离算法有两个很大的问题：一方面，机器学习算法需要大量针对每一类故障的样本，这在实际情况中是很难获得的，即使可以获得，那成本也是不可估量的。另一方面，基于机器学习的方法，尤其是深度学习，存在大量地超参数需要调整，并且在噪声干扰很大的情况下，其算法的泛化性能不足。

另外，基于稀疏表示的形态成分分析技术也被用于多故障的分离。但是此类方法需要为不同故障选定其对应的基函数，而且需要满足所选择的基函数中只存在唯一的一个基函数能稀疏表示其对应的故障。这就为如何选取这样不同的基函数带来了很大的挑战。而且，此类基于变换域稀疏表示的形态成分分析方法在优化的过程中存在大量地矩阵运算，其计算复杂度较高，使得该方法在工程应用中受到了极大地限制。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中存在的问题，本发明提出一种基于稀疏多周期组套索的多故障特征辨识方法，该方法利用故障特征的周期组内组间稀疏特性和不同故障之间故障频率的区分性，在形态成分分析的框架下建立模型，不仅有效降低了计算复杂度，还不限制混合故障的数量。

本发明的目的是通过以下技术方案予以实现，一种基于稀疏多周期组套索的多故障特征辨识方法，所述方法包括以下步骤：

一种基于稀疏多周期组套索的多故障特征辨识方法，所述方法包括以下步骤：

第一步骤(S1)中，分析由加速度传感器采集到的振动信号以构造二值周期序列b，基于故障特征信号x呈现周期组内组间稀疏的特性获得促进周期组内组间稀疏的正则项P(x；b)，基于不同故障特征频率的区分性建立稀疏多周期组套索模型；