基于字典學習理論的機械故障診斷方法研究.pdf

1、從第一次工業(yè)革命開始，科學技術和現代工業(yè)得到了飛速、蓬勃的發(fā)展，機械裝備不斷地朝著大型化、集成化、高速化、精度化、重載化等方向飛速發(fā)展。機械設備安全、穩(wěn)定、高效的運轉牽涉到企業(yè)的經濟利益與生產安全，一旦這些設備中某些關鍵部件發(fā)生故障，哪怕僅是局部的失靈，不僅會造成巨大的經濟損失，更嚴重地可能會導致人員傷亡、環(huán)境污染等惡劣影響。因此機械設備狀態(tài)監(jiān)測、故障診斷以及故障預防，對企業(yè)保障經濟效益、財產與工人生命安全有著重要意義。
　　本學

2、位論文主要以稀疏分解與字典學習為理論基礎，以旋轉機械中的關鍵部件如滾動軸承、齒輪箱為研究對象，深入開展了基于字典學習理論的機械故障特征提取方法的研究，為機械設備維護提供依據。本文主要的研究工作包括三個方面：基于傳統(tǒng)字典學習的機械故障特征提取技術；基于特殊結構字典學習的機械故障特征提??；基于設備狀態(tài)字典庫與稀疏特征的故障診斷方法。本文主要包括以下幾個方面的內容：
　　(1)闡述了論文的課題來源和研究意義，總結機械故障特征提取方法、智

3、能診斷方法、性能退化評估方法及剩余壽命預測等方面的國內外研究現狀與發(fā)展趨勢。對信號稀疏分解與字典學習的發(fā)展歷程和研究現狀進行了闡述，并總結了論文的主要研究思路。
　　(2)介紹了稀疏表征和字典學習的基本理論。詳細闡述了過完備表示、冗余字典、稀疏性度量的基本概念。在此基礎上，分別詳細介紹了幾種常用稀疏系數求解和字典學習的計算方法，為后續(xù)章節(jié)奠定理論基礎。
　　(3)首先介紹了含噪信號的稀疏表征模型以及基于KSVD字典學習的降噪

4、方法。其次闡述了滾動軸承故障信號模型，通過軸承仿真信號驗證了KSVD字典學習的故障特征提取能力，并分析了主要參數對字典學習降噪方法的影響。最后，考慮到KSVD算法對噪聲敏感性高，本文提出了一種基于最小熵解卷積和KSVD字典學習的故障特征提取方法，并將其應用在滾動軸承早期故障診斷中。
　　(4)介紹了一種具有特殊結構的字典學習方法—移不變字典學習，并闡述了利用循環(huán)矩陣分解求解移不變字典學習的方法。然后提出了一種基于移不變字典學習的機

5、械故障特征提取方法，該方法可以有效地提取信號中周期性重復出現的信號特征。最后，對所述方法的可行性進行了仿真和實驗驗證，并與其它常用方法進行對比分析，驗證了所提方法的有效性。
　　(5)提出了一種基于移不變字典相關分析的單通道盲源分離方法。該方法將移不變字典學習與字典頻域相關度分析相結合，實現了單通道信號的多源分離。在此基礎上，本文還提出了一種類類間相關系數的概念用以確定最佳的源數目。最后通過仿真分析、滾動軸承復合故障實驗以及齒輪箱