一種基于壓縮感知的工況擾動條件下的滾動軸承故障診斷方法
【技術領域】
[0001] 本發(fā)明屬于滾動軸承的故障診斷技術領域，具體涉及一種基于壓縮感知的工況擾 動條件下的滾動軸承故障診斷方法。
【背景技術】
[0002] 滾動軸承廣泛應用于工業(yè)生產(chǎn)的各個領域。對滾動軸承進行故障診斷是提高機械 系統(tǒng)可靠性和安全性的重要手段之一。然而，一方面滾動軸承的工作環(huán)境復雜多變，其工況 經(jīng)常受到很多因素的擾動，這使得滾動軸承的常規(guī)故障診斷方法效率不高。另一方面，傳統(tǒng) 滾動軸承故障診斷方法需要充足的滾動軸承狀態(tài)監(jiān)測的數(shù)據(jù)，但對于航空航天領域，或者 其他需要遠程故障診斷的領域，時常無法保證有充足的信號傳輸帶寬來傳輸這些數(shù)據(jù)，另 外對于機載和地面計算機來說，這種大量數(shù)據(jù)對于計算機運算性能也是極大的壓力。因此， 對于滾動軸承的故障診斷來說，考慮工況擾動和減少數(shù)據(jù)量是十分必要的。作為工業(yè)系統(tǒng) 的重要部件，近年來，針對滾動軸承故障診斷的研究比較廣泛。然而在工況擾動的情況下進 行故障診斷很少被提及，涉及關于帶寬限制和計算機性能的討論則更少。
[0003] 為了解決上述問題，本發(fā)明提出了一種基于壓縮感知的針對工況擾動下的滾動軸 承故障診斷方法。在進行滾動軸承故障診斷時，采取了壓縮感知的方法，其中測量矩陣使用 高斯分布的隨機矩陣，字典矩陣使用基于原始數(shù)據(jù)生成的匹配矩陣，重構算法使用正交匹 配追蹤。針對滾動軸承測量數(shù)據(jù)量大的問題，使用測量矩陣將測量數(shù)據(jù)量減少一半，再將測 量矩陣和隨機矩陣相乘得到傳感矩陣，傳感矩陣的每一列成為一個原子，最后使用匹配追 蹤算法找出與待測信號最相似的幾個原子，通過原子所屬的類別診斷出該滾動軸承屬于哪 種類型的故障。

【發(fā)明內容】

[0004] 本發(fā)明的目的是為了解決以下問題：在監(jiān)測數(shù)據(jù)傳輸帶寬有限的情況下，難以通 過小樣本進行故障檢測的問題；滾動軸承工作環(huán)境變化，工況有擾動的情況下，進行軸承故 障診斷困難的問題。
[0005] 本發(fā)明是一種基于壓縮感知的工況擾動條件下的滾動軸承故障診斷方法，具體包 括以下步驟：
[0006] 步驟一、在數(shù)據(jù)采集階段，采用提前預設的隨機矩陣將采得的數(shù)據(jù)量壓縮為原來 的50%，然后將壓縮后的數(shù)據(jù)到地面控制中心；
[0007] 步驟二、在機載/現(xiàn)場端，利用壓縮數(shù)據(jù)，采用正交匹配追蹤算法，進行工況擾動 條件下的故障診斷；
[0008] 步驟三、在地面控制中心，根據(jù)提前預設的隨機矩陣，使用匹配追蹤算法將壓縮后 的振動數(shù)據(jù)恢復到未壓縮的狀態(tài)，進一步用于確認滾動軸承的故障狀態(tài)和健康狀態(tài)，便于 控制中心做出決策。
[0009] 其中，該方法可用于工況擾動條件下的軸承故障診斷；步驟二中在機載端或現(xiàn)場 端，利用壓縮感知中的測量矩陣對振動信號進行壓縮采樣，并利用壓縮后的信號，采用重構 評價的方法對軸承進行前段故障診斷；在地面控制中心或遠端，利用壓縮感知中的字典矩 陣和重構方法，進行原始振動信號恢復，以支撐遠端增強故障診斷和性能評估。
[0010] 其中，所述的重構匹配故障診斷方法，利用測量矩陣對原始參考矩陣進行壓縮，獲 取壓縮參考矩陣；利用壓縮參考矩陣，采用匹配追蹤算法，獲取自適應分類向量；將自適應 分類向量中各個故障類型對應的位置的元素分別置零，獲取與故障類型數(shù)相同的置零分類 向量；分別利用各個置零分類向量和壓縮參考矩陣重構壓縮測試樣本，確定重構誤差最小 的置零分類向量，其類型即為測試樣本的故障類型。
[0011] 其中，所述的原始參考矩陣，將各類型，各工況軸承振動信號切為長度相同的向 量；按照故障類型優(yōu)先，每個故障類型包含多種工況的方式，將各類型/工況的樣本進行排 列，獲取原始參考矩陣；原始參考矩陣的行數(shù)為每個樣本向量的長度，列數(shù)為類型數(shù)和工況 數(shù)的乘積。
[0012] 其中，原始振動信號恢復，對壓縮信號進行分段，然后針對每段有限長度的壓縮振 動信號；利用傅里葉變換矩陣和正交匹配追蹤，采用壓縮感知信號重構的方法對其進行重 構；將重構后的各段信號連接，獲取整體重構振動信號。
[0013] 本發(fā)明的優(yōu)點與積極效果在于：
[0014] (1)本發(fā)明針對滾動軸承的工作環(huán)境復雜多變，其工況經(jīng)常受到很多因素的擾動， 常規(guī)故障診斷方法效率并不高的問題，提出了基于匹配追蹤的故障診斷算法，算法運行時 間短，消耗資源少，提高了滾動軸承故障診斷的準確率和效率；
[0015] (2)本發(fā)明針對需要遠程故障診斷的領域，時常不能保證有充足的信號傳輸帶寬 來傳輸大量數(shù)據(jù)的問題，以及對于機載計算機來說，實時處理大量數(shù)據(jù)有很大壓力的問題， 提出了基于壓縮感知的故障診斷算法，有效降低了采樣數(shù)據(jù)量，降低了運算資源消耗量和 帶寬消耗量；
[0016] (3)本發(fā)明采用基于匹配追蹤的壓縮感知恢復算法，以極大的概率和準確率在地 面中心恢復到未壓縮的數(shù)據(jù)，并保持原數(shù)據(jù)的可分類特征，可以用于實現(xiàn)遠程故障診斷以 及評估等工作。
【附圖說明】
[0017] 圖1是本發(fā)明的一種基于壓縮感知的工況擾動條件下的滾動軸承故障診斷方法 的整體方法體系；
[0018] 圖2是本發(fā)明中基于壓縮感知的故障診斷示意圖；
[0019] 圖3是本發(fā)明中相似性測量示意圖；
[0020] 圖4是本發(fā)明中信號重構過程的示意圖；
[0021] 圖5是本發(fā)明中參考矩陣和測量矩陣示意圖；
[0022] 圖6是本發(fā)明中故障診斷率和迭代次數(shù)間的關系示意圖；
[0023] 圖7是本發(fā)明中自適應分類向量示意圖；
[0024] 圖8是本發(fā)明中壓縮測試信號（正常）的重構示意圖；
[0025] 圖9是本發(fā)明中壓縮測試信號（滾珠故障）的重構示意圖；
[0026] 圖10是本發(fā)明中故障診斷結果示意圖；
[0027] 圖11是本發(fā)明中正交基矩陣示意圖；
[0028] 圖12是實施例中重構信號示意圖；
[0029] 圖13是對比例中，經(jīng)驗模態(tài)分解向量的示意圖。
【具體實施方式】
[0030] 下面將結合附圖和實施例對本發(fā)明作進一步的詳細說明。
[0031] 如圖1所示，本發(fā)明提出了一種基于壓縮感知的工況擾動條件下的滾動軸承故障 診斷方法，具體的其為基于少量測量數(shù)據(jù)的針對工況擾動下的滾動軸承故障診斷方法。其 中在數(shù)據(jù)采集階段，使用預設的隨機矩陣作為測量矩陣，利用測量矩陣對數(shù)據(jù)進行采集和 壓縮，獲取壓縮數(shù)據(jù)；之后在機載計算機上使用壓縮數(shù)據(jù)進行實時故障診斷；在地面控制 中心，將壓縮后的數(shù)據(jù)恢復到原始數(shù)據(jù)并降噪，減少了地空傳輸帶寬的消耗，并且數(shù)據(jù)可用 于后續(xù)的增強診斷和性能評估。
[0032] 根據(jù)各個算法之間的關系，本發(fā)明的具體步驟如下：
[0033] 步驟一、構建參考矩陣以及壓縮原始信號
[0034] 令xuv(u = N, I, B, 0 ;v = 1，2, 3,…，k)定義為滾動軸承的振動信號，上標u表示 故障模式，其中N, I, B, 0分別表不正常模式、內環(huán)故障模式、球頭故障模式、外環(huán)故障模式； 上標V表示不同的轉速模式，不同的轉速代表了不同的工況，工況的變化代表了工況波動。
[0035] 假設振動信號的長度為
[0036] Nt= length (X uv) = fs · t (I)
[0037] 式中，；1^表不米樣率，t表不米樣時間，N t表不信號的總長度，N表不振動信號段的 長度（N彡60 · fs/co_，ω_是最小的轉速，其單位是轉/分鐘），b表示信號段的數(shù)值。
[0038] b = floor (Nt/N) (2)
[0039] #是xuv的第i個信號段，其中i = 1，2, 3,…，b，#是#壓縮后的向量，Φ是隨 機矩陣，用來壓縮采集的信號。
[0041] 原始參考矩陣（ORM)X表示為：
[0048] i = l，2，...，b
[0049] 因此，X 的大小為 NX (4 · s)，s = b · k。
[0050] 將隨機矩陣Φ乘以該正交參考矩陣得到壓縮參考矩陣（CRM)，使用Y表示：
[0052] 假設w是測試振動信號段，其故障模式是未知待診斷。w向量的長度是N，利用Φ 矩陣對待測向量進行壓縮，ζ為壓縮后的待測試信號段：
[0054] 根據(jù)相似測量和稀疏表達理論計算出自適應分類向量（Adaptive Classification Vector，ACV)，故障分類如圖2所示。圖中&表示自適應分類向量，計算p. 是基于匹配追蹤算法。
[