[发明专利]一种旋转机械局部故障特征的分段稀疏压缩与重构方法

说明书

本发明公开了一种旋转机械局部故障特征的分段稀疏压缩与重构方法，包括步骤：步骤S1、在可能存在故障的设备端定时采集一段振动加速度信号，并以移不变K‑SVD方法从中学习模式；步骤S2、将采集到的信号进行重叠分段，得到分段信号后以稀疏随机矩阵进行实时压缩；步骤S3、以无线方式将设备的工况信息、获取的模式、稀疏随机矩阵和分段压缩信号传输到接收端；步骤S4、在接收端，通过模式构造稀疏字典，以快速迭代收缩阈值算法由分段压缩信号重构故障特征；步骤S5、对重构的特征进行包络解调分析，判断设备出现的故障类型。所述方法既能减小设备端数据压缩的难度，又能提高接收端压缩特征的重构效率。

技术领域

本发明属于旋转机械故障诊断领域，更具体地，涉及一种旋转机械局部故障特征的分段稀疏压缩与重构方法。

背景技术

诊断旋转机械中存在的故障，及时排除故障是保障旋转机械稳定运行的关键，当旋转机械发生局部型故障时，以振动加速度传感器采集到的振动信号中将包含其故障特征，但大量的数据也会加大存储及传输的负担，如何在缓解数据存储和传输压力的同时有效地提取出振动信号中包含的故障特征是旋转机械故障诊断中的难点。

近些年来发展起来的压缩感知(Compressed Sensing,CS)理论可有效缓解数据存储和传输压力，已被成功地应用在旋转机械局部型故障特征的压缩与重构中。但现有的压缩感知方法仍存在着两方面的不足，(1)现有方法多以高斯随机矩阵作为观测矩阵，加大了由硬件实现压缩过程的难度(Wang W,Wainwright M J,Ramchandran K.Information-theoretic limits on sparse signal recovery:Dense versus sparse measurementmatrices[J].IEEE Transactions on Information Theory,2010,56(6):2967-2979.)；(2)现有方法采用的重构算法运算复杂度高，难以高效地重构出故障特征(Metzler C A,Maleki A,Baraniuk R G.From denoising to compressed sensing[J].IEEETransactions on Information Theory,2016,62(9):5117-5144.)。

发明内容

本发明的目的是针对现有压缩感知方法在故障诊断领域应用的不足，提供一种旋转机械局部故障特征的分段稀疏压缩与重构方法。该方法基于压缩感知理论，在信号压缩阶段，以稀疏随机矩阵对分段信号进行观测，降低了由硬件实现压缩过程的难度；在特征重构阶段，以快速迭代收缩阈值算法(Fast Iterative Shrinkage Algorithm,FISTA)对分段压缩信号进行重构，提高了特征重构的效率。

本发明至少通过如下技术方案之一实现。

一种旋转机械局部故障特征的分段稀疏压缩与重构方法，包括以下步骤：

S1、在可能存在故障的设备端定时采集一段振动加速度信号，并以移不变K-SVD方法从中学习模式；

S2、将采集到的信号进行重叠分段，得到分段信号后以稀疏随机矩阵进行实时压缩；

S3、以无线方式将设备的工况信息、获取的模式(模式为一向量，其波形呈现冲击衰减特性)、稀疏随机矩阵和分段压缩信号传输到接收端；

S4、在接收端，通过获取的模式构造稀疏字典，以快速迭代收缩阈值算法重构故障特征；

S5、对重构的特征进行包络解调分析，判断设备出现的故障类型。

优选的，所述步骤S1中具体包括：

S11、将振动加速度传感器安装在可能存在故障的设备壳体上，并定时采集一段振动加速度响应信号y∈R^N×1，R^N×1表示N行1列的实数向量，信号段的点数为N，其采样频率记为f_s；