基于烯疏采樣的數(shù)據(jù)修復(fù)及故障分類方法研究.pdf

1、為了解決信號(hào)采集中受損數(shù)據(jù)的修復(fù)問題，降低信號(hào)稀疏度對(duì)修復(fù)效果的影響，同時(shí)實(shí)現(xiàn)欠采樣條件下機(jī)械故障的識(shí)別，本文基于稀疏表示理論，研究了基于稀疏采樣的數(shù)據(jù)修復(fù)方法、基于稀疏度自適應(yīng)的數(shù)據(jù)修復(fù)方法、基于稀疏采樣的故障分類方法。具體研究內(nèi)容如下:
　　(1)開展了基于稀疏采樣的數(shù)據(jù)修復(fù)方法研究。在實(shí)際振動(dòng)信號(hào)采集中，可能會(huì)由于信號(hào)采集系統(tǒng)不穩(wěn)定導(dǎo)致部分?jǐn)?shù)據(jù)丟失。針對(duì)信號(hào)采集中受損數(shù)據(jù)的修復(fù)問題，結(jié)合壓縮感知框架，建立了基于稀疏采樣的數(shù)據(jù)

2、修復(fù)模型。首先基于振動(dòng)信號(hào)波形特征和先驗(yàn)知識(shí)，選擇適當(dāng)?shù)南∈枳值鋵?shí)現(xiàn)信號(hào)稀疏化;其次以單位矩陣為基礎(chǔ)，根據(jù)數(shù)據(jù)的缺失模型構(gòu)造觀測矩陣;最后采用穩(wěn)定的稀疏求解算法重構(gòu)出完整數(shù)據(jù)，實(shí)現(xiàn)受損數(shù)據(jù)修復(fù)。此外，還探究了不同稀疏字典下受損信號(hào)的修復(fù)情況，分析了振動(dòng)信號(hào)在不同字典下的稀疏特性。通過仿真信號(hào)及實(shí)測信號(hào)驗(yàn)證了方法有效性，結(jié)果表明，相比于受損信號(hào)，修復(fù)信號(hào)更有利于后續(xù)故障診斷;對(duì)比了傳統(tǒng)數(shù)據(jù)修復(fù)方法，基于稀疏采樣的數(shù)據(jù)修復(fù)方法在修復(fù)精度上更

3、具有優(yōu)勢(shì)。
　　(2)開展了稀疏度自適應(yīng)的數(shù)據(jù)修復(fù)方法研究。基于壓縮感知的數(shù)據(jù)重構(gòu)方法可用于解決信號(hào)采集中受損數(shù)據(jù)的修復(fù)問題，該算法首先需要已知數(shù)據(jù)稀疏度，而振動(dòng)信號(hào)的稀疏度通常難以確定，增加了數(shù)據(jù)修復(fù)的難度，因此建立了基于稀疏度自適應(yīng)的數(shù)據(jù)修復(fù)模型。探討了稀疏度自適應(yīng)匹配追蹤算法（SAMP）中迭代步長及終止系數(shù)對(duì)修復(fù)性能的影響，分析了該方法的使用條件。此外，針對(duì)SAMP算法修復(fù)結(jié)果受終止條件影響較大，導(dǎo)致修復(fù)精度不高且效率較低的

4、問題，提出了終止準(zhǔn)則改進(jìn)的稀疏度自適應(yīng)數(shù)據(jù)修復(fù)方法。通過仿真信號(hào)及實(shí)測信號(hào)驗(yàn)證了方法的有效性，且改進(jìn)的SAMP算法在重構(gòu)精度和運(yùn)算效率上均有所提高。對(duì)比了不同稀疏求解方法下振動(dòng)信號(hào)修復(fù)效果，結(jié)果表明，改進(jìn)的SAMP算法修復(fù)效果優(yōu)于正交匹配追蹤(OMP)與正則化正交匹配追蹤(ROMP)。
　　(3)開展了基于稀疏采樣的故障分類方法研究。香農(nóng)采樣定理為信號(hào)處理技術(shù)奠定了基礎(chǔ)，但也帶來了數(shù)據(jù)傳輸及處理的巨大壓力。為解決海量數(shù)據(jù)對(duì)故障診斷

5、的壓力問題，研究了基于稀疏表示的故障分類方法，用于實(shí)現(xiàn)欠采樣條件下機(jī)械故障診斷。探究了基于冗余字典的信號(hào)稀疏表示方法，建立了冗余字典下稀疏表示分類模型。針對(duì)稀疏表示分類模型中稀疏矩陣構(gòu)造復(fù)雜的問題，研究了基于小波模極大值(WTMM)的信號(hào)稀疏表示方法，從而將稀疏矩陣由復(fù)雜的樣本字典替換為單位矩陣，降低了方法復(fù)雜度。此外，為克服信號(hào)時(shí)移對(duì)分類結(jié)果的影響，用最大互相關(guān)度替代最小冗余誤差作為故障判定準(zhǔn)則。通過軸承及齒輪信號(hào)驗(yàn)證了方法有效性。相