本公開(kāi)涉及故障診斷方法技術(shù)領(lǐng)域，具體地講，涉及一種稀疏緊框架字典學(xué)習(xí)模型的多故障辨識(shí)方法與裝置。

背景技術(shù)：

機(jī)械系統(tǒng)健康監(jiān)測(cè)與評(píng)估對(duì)于降低其維修成本，避免災(zāi)難性事故的發(fā)生具有重要意義?；谡駝?dòng)信號(hào)的健康監(jiān)測(cè)的核心在于快速精準(zhǔn)地辨識(shí)出信號(hào)中故障特征。然而，由于機(jī)械系統(tǒng)的結(jié)構(gòu)的復(fù)雜性，零部件的多樣性，使得長(zhǎng)期工作于惡劣環(huán)境的零部件，如軸承，齒輪等，不可避免地發(fā)生局部損傷，同時(shí)單一故障的發(fā)生和演化過(guò)程會(huì)導(dǎo)致其它部件的性能隨之產(chǎn)生衰退，從而產(chǎn)生故障的鏈?zhǔn)椒磻?yīng)。因此，傳感器采集的振動(dòng)信號(hào)往往包含多特征信息的耦合和強(qiáng)大的噪聲干擾。如果在消除噪聲的同時(shí)，有效地辨識(shí)多源微弱故障，是機(jī)械系統(tǒng)健康監(jiān)測(cè)的基礎(chǔ)支撐技術(shù)之一。

基于變換域的方法通過(guò)將信號(hào)變換到另外一個(gè)空間，通過(guò)提升故障特征在該空間的能量聚集性，從而有效辨識(shí)微弱的故障特征。目前這類(lèi)方法主要有4類(lèi)：頻域分析法，時(shí)頻域分析法，小波分析以及稀疏分解。其中前三類(lèi)方法由于變換基函數(shù)固定，靈活性差，因此只對(duì)特定的信號(hào)具有稀疏表示能力。稀疏分解方法可以根據(jù)故障特征的物理先驗(yàn)靈活設(shè)計(jì)基函數(shù)，因此可以匹配多樣化的故障特征，為多故障特征解耦提供了理論基礎(chǔ)。

稀疏分解的核心在于稀疏表示字典的構(gòu)造，目前，稀疏表示字典的構(gòu)造方法可以歸納為如下三類(lèi)：基于數(shù)學(xué)模型的稀疏表示字典，基于故障動(dòng)力學(xué)模型的稀疏表示字典以及數(shù)據(jù)驅(qū)動(dòng)的稀疏表示字典。其中，數(shù)據(jù)驅(qū)動(dòng)的稀疏表示字典，即字典學(xué)習(xí)的方法，可以從觀測(cè)數(shù)據(jù)中直接學(xué)習(xí)出能對(duì)特征信息具有稀疏化能力的基原子，然而其計(jì)算復(fù)雜度高且存在病態(tài)問(wèn)題，使得該方法在工程應(yīng)用中受到了極大的限制。

技術(shù)實(shí)現(xiàn)要素：

為解決上述問(wèn)題，一方面本公開(kāi)提出一種稀疏緊框架字典學(xué)習(xí)模型的多故障辨識(shí)方法，該方法在數(shù)據(jù)驅(qū)動(dòng)的稀疏表示字典的基礎(chǔ)上，引入了緊框架約束，不僅有效降低了計(jì)算復(fù)雜度，還克服了特征辨識(shí)的病態(tài)問(wèn)題。

一種稀疏緊框架字典學(xué)習(xí)模型的多故障辨識(shí)方法，其特征在于，所述方法包括下述步驟：

S100、獲取待識(shí)別信號(hào)在緊框架字典學(xué)習(xí)模型下的一組緊框架濾波器；

S200、利用所述緊框架濾波器獲取待識(shí)別信號(hào)的降噪信號(hào)；

S300、將所述降噪信號(hào)分解到每個(gè)緊框架濾波器所在的信號(hào)空間中，得到分解信號(hào)；

S400、對(duì)每個(gè)分解信號(hào)，計(jì)算該信號(hào)的各類(lèi)故障敏感性指標(biāo)值；

S500、將每類(lèi)故障敏感性指標(biāo)值中的最大值所對(duì)應(yīng)的分解信號(hào)所在的子空間，作為潛在故障信號(hào)子空間，利用緊框架濾波器的重構(gòu)算子對(duì)潛在故障信號(hào)子空間進(jìn)行解耦后得到解耦信號(hào)；

S600、辨識(shí)所述解耦信號(hào)所屬故障類(lèi)別；

所述緊框架字典學(xué)習(xí)模型為具有緊框架約束的字典學(xué)習(xí)模型；

所述故障敏感性指標(biāo)為包絡(luò)譜中每類(lèi)故障的故障特征頻率的前三階倍頻的能量占包絡(luò)譜信號(hào)總能量的百分比。

另一方面，根據(jù)所述方法，本公開(kāi)還提供了一種基于緊框架字典學(xué)習(xí)模型的多故障辨識(shí)裝置，所述裝置包括下述模塊：

濾波器模塊、降噪模塊、分解模塊、指標(biāo)計(jì)算模塊、解耦模塊以及辨識(shí)模塊，其中：

所述濾波器模塊，被配置用于：獲取待識(shí)別信號(hào)在緊框架字典學(xué)習(xí)模型下的一組緊框架濾波器；

所述降噪模塊，被配置用于：利用所述緊框架濾波器獲取待識(shí)別信號(hào)的降噪信號(hào)；

所述分解模塊，被配置用于：將所述降噪信號(hào)分解到每個(gè)緊框架濾波器所在的信號(hào)空間中，得到分解信號(hào)；

所述指標(biāo)計(jì)算模塊，被配置用于：對(duì)每個(gè)分解信號(hào)，計(jì)算該信號(hào)的各類(lèi)故障敏感性指標(biāo)值；

所述解耦模塊，被配置用于：將每類(lèi)故障敏感性指標(biāo)值中的最大值所對(duì)應(yīng)的分解信號(hào)，作為潛在故障信號(hào)，利用緊框架濾波器的重構(gòu)算子對(duì)潛在故障信號(hào)進(jìn)行解耦后得到解耦信號(hào)；

所述辨識(shí)模塊，被配置用于：辨識(shí)所述解耦信號(hào)所屬故障類(lèi)別。

與現(xiàn)有技術(shù)相比，由于本公開(kāi)方法引入緊框架約束，使得本公開(kāi)方法中的字典具有了下述緊框架的優(yōu)良性質(zhì)：

(1)由于緊框架濾波器可以通過(guò)卷積運(yùn)算實(shí)現(xiàn)信號(hào)分解，大大降低了計(jì)算復(fù)雜度，即數(shù)據(jù)驅(qū)動(dòng)的稀疏表示字典方法的計(jì)算復(fù)雜度為O(SMN²)，加入緊框架約束后降低為O(rllog(l))；其中，S為信號(hào)的塊數(shù)，M為字典原子的維數(shù)，r為緊框架濾波器的個(gè)數(shù)，l為原始信號(hào)的長(zhǎng)度；

(2)由于緊框架字典具有完備性，將待識(shí)別信號(hào)分解到多個(gè)信號(hào)子空間中，有效保留了待識(shí)別信號(hào)中的所有特征，避免微弱故障特征的漏檢。

由于本公開(kāi)方法中的字典具有上述優(yōu)良性質(zhì)，使得本公開(kāi)方法避免了計(jì)算時(shí)的病態(tài)問(wèn)題。

同時(shí)，在重構(gòu)解耦信號(hào)時(shí)，直接通過(guò)計(jì)算故障敏感性指標(biāo)值就可以判斷出潛在故障信號(hào)，不需要人為的對(duì)每個(gè)分解信號(hào)進(jìn)行分析篩選，使得故障辨識(shí)簡(jiǎn)單有效，對(duì)機(jī)械系統(tǒng)的核心組件維護(hù)和檢修計(jì)劃的安排調(diào)整給出指導(dǎo)性建議。

本公開(kāi)裝置根據(jù)所述方法實(shí)現(xiàn)，同樣具有上述有益效果。

附圖說(shuō)明

圖1是本公開(kāi)一個(gè)實(shí)施例中關(guān)于方法流程圖的一種示意圖；

圖2是本公開(kāi)一個(gè)實(shí)施例中關(guān)于待識(shí)別信號(hào)時(shí)域波形圖的示意圖；

圖3是本公開(kāi)一個(gè)實(shí)施例中關(guān)于待識(shí)別信號(hào)頻譜圖的示意圖；

圖4是本公開(kāi)一個(gè)實(shí)施例中關(guān)于待識(shí)別信號(hào)包絡(luò)譜圖的示意圖；

圖5是本公開(kāi)一個(gè)實(shí)施例中關(guān)于軸承外圈故障最優(yōu)子空間信號(hào)的包絡(luò)譜示意圖；

圖6是本公開(kāi)一個(gè)實(shí)施例中關(guān)于軸承內(nèi)圈故障最優(yōu)子空間信號(hào)的包絡(luò)譜示意圖；

圖7是本公開(kāi)一個(gè)實(shí)施例中關(guān)于軸承滾動(dòng)體故障最優(yōu)子空間信號(hào)的包絡(luò)譜示意圖；

圖8是本公開(kāi)一個(gè)實(shí)施例中關(guān)于軸承保持架故障最優(yōu)子空間信號(hào)的包絡(luò)譜示意圖。

具體實(shí)施方式

在一個(gè)基礎(chǔ)實(shí)施例中，提供了一種基于緊框架字典學(xué)習(xí)模型的多故障辨識(shí)方法，所述方法包括下述步驟：

S100、獲取待識(shí)別信號(hào)在緊框架字典學(xué)習(xí)模型下的一組緊框架濾波器；

S200、利用所述緊框架濾波器獲取待識(shí)別信號(hào)的降噪信號(hào)；

S300、將所述降噪信號(hào)分解到每個(gè)緊框架濾波器所在的信號(hào)空間中，得到分解信號(hào)；

S400、對(duì)每個(gè)分解信號(hào)，計(jì)算該信號(hào)的各類(lèi)故障敏感性指標(biāo)值；

S500、將每類(lèi)故障敏感性指標(biāo)值中的最大值所對(duì)應(yīng)的分解信號(hào)所在的子空間，作為潛在故障信號(hào)子空間，利用緊框架濾波器的重構(gòu)算子對(duì)潛在故障信號(hào)子空間進(jìn)行解耦后得到解耦信號(hào)；

S600、辨識(shí)所述解耦信號(hào)所屬故障類(lèi)別；

所述緊框架字典學(xué)習(xí)模型為具有緊框架約束的字典學(xué)習(xí)模型；

所述故障敏感性指標(biāo)為包絡(luò)譜中每類(lèi)故障的故障特征頻率的前三階倍頻的能量占包絡(luò)譜信號(hào)總能量的百分比。

在本實(shí)施例中，由于緊框架濾波器可以通過(guò)卷積運(yùn)算實(shí)現(xiàn)信號(hào)分解，大大降低了計(jì)算復(fù)雜度，即數(shù)據(jù)驅(qū)動(dòng)的稀疏表示字典方法的計(jì)算復(fù)雜度為O(SMN²)，加入緊框架約束后降低為O(rllog(l))；其中，S為信號(hào)的塊數(shù)，M為字典原子的維數(shù)，r為緊框架濾波器的個(gè)數(shù)，l為原始信號(hào)的長(zhǎng)度。由于緊框架字典具有完備性，將待識(shí)別信號(hào)分解到多個(gè)信號(hào)子空間中，可以有效保留了待識(shí)別信號(hào)中的所有特征，避免微弱故障特征的漏檢。由于上述優(yōu)良性質(zhì)，避免了計(jì)算時(shí)的病態(tài)問(wèn)題。

同時(shí)，在重構(gòu)解耦信號(hào)時(shí)，由于可以直接通過(guò)計(jì)算故障敏感性指標(biāo)值就可以判斷出潛在故障信號(hào)，不需要人為的對(duì)每個(gè)分解信號(hào)進(jìn)行分析篩選，使得故障辨識(shí)簡(jiǎn)單有效，對(duì)機(jī)械系統(tǒng)的核心組件維護(hù)和檢修計(jì)劃的安排調(diào)整給出指導(dǎo)性建議。

優(yōu)選地，給出了所述緊框架字典學(xué)習(xí)模型的表達(dá)式，具體如下：

表達(dá)式：

約束條件：Ω^TΩ＝I

式中：

y為待識(shí)別信號(hào)；

Ω為緊框架字典；

為卷積運(yùn)算符號(hào)；

為構(gòu)成緊框架字典的一組濾波器；

S_i為第i個(gè)濾波器；

r為濾波器個(gè)數(shù)，且r不小于故障類(lèi)別數(shù)目；

α為振動(dòng)信號(hào)y在字典Ω下的稀疏表示系數(shù)；

λ₁為正則化參數(shù)。

所述緊框架字典學(xué)習(xí)模型的設(shè)計(jì)依據(jù)機(jī)械系統(tǒng)的運(yùn)行工況和可能的故障模式，確定緊框架濾波器的子空間個(gè)數(shù)。

優(yōu)選地，所述步驟S100進(jìn)一步包括下述步驟：

S101：將待識(shí)別信號(hào)記作y，對(duì)待識(shí)別信號(hào)y進(jìn)行分塊截取，每N個(gè)點(diǎn)組成一個(gè)數(shù)據(jù)樣本，將每一個(gè)樣本作為一個(gè)列向量，構(gòu)成信號(hào)矩陣，將所述信號(hào)矩陣記作Y；

S102、將循環(huán)變量記作j，設(shè)置循環(huán)變量j的初始值以及最大值，將所述最大值記作L；

S103、使用表示緊框架濾波器組，用該緊框架濾波器組中的每一個(gè)緊框架濾波器對(duì)信號(hào)矩陣進(jìn)行濾波，得到稀疏表示系數(shù)矩陣，將該稀疏表示系數(shù)矩陣記作A^(j)；

若j為初始值，所述緊框架濾波器組的初始值為從所述信號(hào)矩陣中隨機(jī)選擇的r個(gè)樣本的值；

否則，所述緊框架濾波器組的值為步驟S106計(jì)算得到的緊框架字典的值；

S104、用鄰近點(diǎn)優(yōu)化算法對(duì)A^(j)做閾值收縮處理，得到

S105、判斷循環(huán)變量j是否大于設(shè)定的最大值L；若循環(huán)變量j大于最大值L，將Ω^(L)作為待測(cè)信號(hào)的緊框架字典，在該字典下的緊框架濾波器作為待測(cè)信號(hào)的緊框架濾波器，然后退出；

否則，對(duì)矩陣乘積進(jìn)行SVD分解：

S106、利用步驟S105中得到的矩陣Q和U計(jì)算緊框架字典Ω^(j)：

S107、將循環(huán)變量j增加1后，返回步驟S103。

上述步驟通過(guò)對(duì)待識(shí)別信號(hào)迭代實(shí)施鄰近點(diǎn)優(yōu)化算法和奇異值分解算法，可以得到構(gòu)成緊框架字典的一組緊框架濾波器。S102中的最大值L可以根據(jù)設(shè)備計(jì)算能力以及計(jì)算精度確定，通常設(shè)定為50次。

優(yōu)選地，所述降噪信號(hào)的獲取包括下述步驟：

S201、采用稀疏編碼優(yōu)化算法獲取待識(shí)別信號(hào)在所述緊框架濾波器下的稀疏表示系數(shù)；

S202、通過(guò)閾值收縮技術(shù)對(duì)步驟S201中的稀疏表示系數(shù)，進(jìn)而消除所述待識(shí)別信號(hào)的白噪聲得到降噪信號(hào)。

根據(jù)依據(jù)稀疏優(yōu)化理論，構(gòu)造基于分析先驗(yàn)的稀疏編碼優(yōu)化模型：

約束條件：

式中：α為待測(cè)信號(hào)y在緊框架稀疏字典Ω^(L)下的稀疏表示系數(shù)，利用閾值參數(shù)λ₂(0＜λ₂＜1)的鄰近點(diǎn)算子求解式(2)，可實(shí)現(xiàn)對(duì)待測(cè)信號(hào)y的降噪，得到降噪的信號(hào)x為迭代過(guò)程中的變量，其最后一次迭代得到的值即為

優(yōu)選地，所述步驟S300進(jìn)一步包括下述步驟：

S301、獲取降噪信號(hào)在所述緊框架濾波器下的稀疏表示系數(shù)；

S302、獲取所述緊框架濾波器的逆濾波器；

S303、利用步驟S301中的稀疏表示系數(shù)和步驟S302中的逆濾波器，將所述降噪信號(hào)分解到所述緊框架濾波器所在的信號(hào)子空間。

優(yōu)選地，所述步驟600進(jìn)一步包括下述步驟：

S601、對(duì)各個(gè)解耦信號(hào)進(jìn)行Hilbert包絡(luò)譜分析，得到幅值-頻率曲線；

S602、對(duì)每個(gè)幅值-頻率曲線，搜索除轉(zhuǎn)頻之外的最大的峰值頻率；

S603、若判定所述峰值頻率與故障特征頻率在設(shè)定的分辨率誤差范圍內(nèi)，則表示該故障特征頻率所對(duì)應(yīng)的零部件發(fā)生了故障，從而實(shí)現(xiàn)了故障的辨識(shí)。

通過(guò)設(shè)計(jì)物理先驗(yàn)驅(qū)動(dòng)的故障敏感性指標(biāo)集，可以有效實(shí)現(xiàn)多故障特征的解耦。若根據(jù)機(jī)械系統(tǒng)的運(yùn)行工況和可能的故障模式，確定的故障種類(lèi)數(shù)目有C種，則需構(gòu)造與C種潛在故障相匹配的故障敏感性指標(biāo)，將故障敏感性指標(biāo)記作SI_k，k＝1，2，…，C。比如確定軸承的故障種類(lèi)有4種，分別為滾動(dòng)體故障、保持架故障、內(nèi)圈故障、外圈局部故障。

所述故障敏感性指標(biāo)為包絡(luò)譜中故障特征頻率的前三階倍頻的能量占包絡(luò)譜信號(hào)總能量的百分比。若緊框架濾波器所在的子空間個(gè)數(shù)為r個(gè)，當(dāng)k＝1時(shí)，對(duì)第p個(gè)分解信號(hào)計(jì)算該分解信號(hào)的SI₁，p值，p＝1，2，…，r。其中，p所對(duì)應(yīng)的子空間即為第1類(lèi)故障所在的最優(yōu)故障特征子空間。以此類(lèi)推，分別獲得第q類(lèi)故障所在的最優(yōu)故障特征子空間，q＝2，3，…，C。

由于解耦信號(hào)通過(guò)下述步驟獲得：將每類(lèi)故障敏感性指標(biāo)值中的最大值所對(duì)應(yīng)的分解信號(hào)所在的子空間，作為潛在故障信號(hào)子空間，利用緊框架濾波器的重構(gòu)算子對(duì)潛在故障信號(hào)子空間進(jìn)行解耦后得到解耦信號(hào)。因此，所述解耦信號(hào)的數(shù)目與故障的種類(lèi)相同。若故障的種類(lèi)為C種，那么在對(duì)各個(gè)解耦信號(hào)進(jìn)行包絡(luò)譜分析時(shí)，得到的最大的峰值頻率有C個(gè)，記作i＝1，2，…C。若所述最大的峰值頻率與故障特征頻率fⁱ，i＝1，2，…C在分辨率誤差容許范圍內(nèi)，則表示相應(yīng)的零部件發(fā)生了故障，實(shí)現(xiàn)了C類(lèi)復(fù)合故障的辨識(shí)。

下面實(shí)施例結(jié)合附圖對(duì)本公開(kāi)方法進(jìn)行闡述。

圖1示意了將所述方法應(yīng)用于SQI電機(jī)軸承多故障辨識(shí)的流程圖。該電機(jī)的軸承預(yù)置有內(nèi)圈和外圈的局部故障。如圖所示：

S000、利用加速度振動(dòng)傳感器對(duì)軸承座信號(hào)進(jìn)行測(cè)量，采集的振動(dòng)信號(hào)y_64000×1作為待識(shí)別信號(hào)。

如圖2、3、4所示，分別為待識(shí)別信號(hào)y_64000×1的時(shí)域波形圖、頻譜分析圖以及包絡(luò)譜分析譜圖。從圖4中可以看出，原始信號(hào)的包絡(luò)譜中主要的頻譜成分為轉(zhuǎn)頻及其倍頻。同時(shí)只能辨識(shí)出外圈故障和內(nèi)圈故障的一倍頻成分。將采集到的加速度振動(dòng)信號(hào)，按照如下步驟進(jìn)行操作：

S100、獲取待識(shí)別信號(hào)y_64000×1在緊框架字典學(xué)習(xí)模型下的一組緊框架濾波器。

對(duì)輸入信號(hào)迭代實(shí)施鄰近點(diǎn)優(yōu)化算法和奇異值分解算法，可以學(xué)習(xí)出構(gòu)成緊框架字典的一組緊框架濾波器，具體學(xué)習(xí)步驟如下：

S101、對(duì)采集振動(dòng)信號(hào)y_64000×1進(jìn)行分塊，每32個(gè)點(diǎn)組成一個(gè)數(shù)據(jù)樣本，將每一個(gè)樣本作為一個(gè)列向量，構(gòu)成字典學(xué)習(xí)的輸入信號(hào)矩陣Y_32×2909；

S102、設(shè)置循環(huán)變量j的初始值為1，循環(huán)變量的最大值L＝50；

S103、使用表示緊框架濾波器組，用該緊框架濾波器組中的每一個(gè)緊框架濾波器對(duì)信號(hào)矩陣Y_32×2909進(jìn)行濾波，濾波時(shí)使用的正則化參數(shù)λ_1＝0.3，濾波后得到稀疏表示系數(shù)矩陣，將該稀疏表示系數(shù)矩陣記作A^(j)；

若j為初始值1，所述緊框架濾波器組的初始值為從所述信號(hào)矩陣中隨機(jī)選擇的r個(gè)樣本的值；其中，緊框架字典Ω⁽⁰⁾是一個(gè)32×32的矩陣，每個(gè)緊框架濾波器是一個(gè)32×1的列向量；

否則，所述緊框架濾波器組的值為步驟S106計(jì)算得到的緊框架字典的值；

S104、用鄰近點(diǎn)優(yōu)化算法對(duì)A^(j)做閾值收縮處理，得到

S105、判斷循環(huán)變量j是否大于設(shè)定的最大值L；若循環(huán)變量j大于最大值L，則學(xué)習(xí)好的緊框架濾波器組學(xué)習(xí)好的字典則退出；

否則，對(duì)矩陣乘積進(jìn)行SVD分解：

S106、利用步驟S105中得到的矩陣Q和U計(jì)算緊框架字典Ω^(j)：

S107、將循環(huán)變量j增加1后，返回步驟S103。

S200、利用所述緊框架濾波器獲取待識(shí)別信號(hào)的降噪信號(hào)，具體實(shí)現(xiàn)如下：

依據(jù)稀疏優(yōu)化理論，構(gòu)造基于分析先驗(yàn)的稀疏編碼優(yōu)化模型：

約束條件：

式中：α_6400×32為待測(cè)信號(hào)y_6400×1在緊框架稀疏字典Ω⁽⁵⁰⁾下的稀疏表示系數(shù)，利用閾值參數(shù)λ₂的鄰近點(diǎn)算子求解構(gòu)造的基于分析先驗(yàn)的稀疏編碼優(yōu)化模型，可實(shí)現(xiàn)對(duì)待測(cè)信號(hào)y_6400×1的降噪，得到降噪的信號(hào)在這里，λ₂＝0.4。x_6400×1為迭代過(guò)程中的變量，其最后一次迭代得到的值即為

S300、將所述降噪信號(hào)分解到每個(gè)緊框架濾波器所在的信號(hào)空間中，得到分解信號(hào)。

S301、利用學(xué)習(xí)好的緊框架濾波器組對(duì)降噪信號(hào)進(jìn)行分解，得到32個(gè)信號(hào)子空間的稀疏表示系數(shù)：

S302、獲取緊框架濾波器組的逆濾波器

S303、利用步驟S301中的稀疏表示系數(shù)和步驟S302中的逆濾波器，將所述降噪信號(hào)分解到所述緊框架濾波器所在的信號(hào)子空間。通過(guò)下式，可以將所述降噪信號(hào)分解到所述緊框架濾波器所在的信號(hào)子空間，得到分解信號(hào)z_i：

S400、對(duì)每個(gè)分解信號(hào)，計(jì)算該信號(hào)的各類(lèi)故障敏感性指標(biāo)值。

事先構(gòu)造與4類(lèi)軸承潛在故障相匹配的故障敏感性指標(biāo)SI_i，i＝1，2，…4，分別為包絡(luò)譜中4類(lèi)故障特征頻率的前三階倍頻的能量占包絡(luò)譜信號(hào)總能量的百分比。

S500、將每類(lèi)故障敏感性指標(biāo)值中的最大值所對(duì)應(yīng)的分解信號(hào)所對(duì)應(yīng)的子空間，作為潛在故障信號(hào)子空間，利用緊框架濾波器的重構(gòu)算子對(duì)潛在故障信號(hào)進(jìn)行解耦后得到解耦信號(hào)。

以SI_i最大為優(yōu)化指標(biāo)，分別計(jì)算r(r≥C)個(gè)子空間信號(hào)的包絡(luò)譜的SI_i值，最大SI_i值所對(duì)應(yīng)的子空間即為第i類(lèi)故障所在的最優(yōu)故障特征子空間。令i＝1，2，3，4，依次優(yōu)選出4類(lèi)故障各自所在的最優(yōu)故障特征子空間i＝1，2，3，4。

重構(gòu)出4個(gè)故障特征子空間的時(shí)域信號(hào)i＝1，2，3，4，從而實(shí)現(xiàn)4類(lèi)故障信號(hào)的解耦，得到4類(lèi)解耦信號(hào)。

S600、辨識(shí)所述解耦信號(hào)所屬故障類(lèi)別。

對(duì)重構(gòu)出的4個(gè)特征子空間信號(hào)進(jìn)行包絡(luò)解調(diào)分析，分別如圖5，6，7，8所示。其中圖5為外圈故障特征的最優(yōu)子空間信號(hào)的包絡(luò)譜，可以清晰辨識(shí)出外圈故障特征頻率的1倍頻(BPFO)，2倍頻(BPFOx2)以及3倍頻(BPFOx3)成分，且除了轉(zhuǎn)頻外最大頻率成分外圈故障特征頻率的1倍頻(BPFO)，由此驗(yàn)證了電機(jī)軸承的外圈故障；圖6為內(nèi)圈故障特征的最優(yōu)子空間信號(hào)的包絡(luò)譜，可以清晰辨識(shí)出內(nèi)圈故障特征頻率的1倍頻(BPFI)，2倍頻(BPFIx2)以及3倍頻(BPFIx3)成分，同時(shí)各階內(nèi)圈故障特征頻率都存在轉(zhuǎn)頻為間隔的邊頻帶，且最大頻率成分為BPFI，由此驗(yàn)證了電機(jī)軸承的內(nèi)圈故障；圖7為軸承滾動(dòng)體故障特征的最優(yōu)子空間信號(hào)的包絡(luò)譜，然而，滾動(dòng)體故障特征頻率的各階次成分都極為微弱，除了轉(zhuǎn)頻外最大頻率成分與軸承故障特征頻率不相關(guān)，說(shuō)明滾動(dòng)體并未發(fā)生故障；圖8為保持架故障特征的最優(yōu)子空間信號(hào)的包絡(luò)譜，除了轉(zhuǎn)頻外最大頻率成分為保持架特征頻率的2倍頻成分。預(yù)示保持架存在早期微弱故障。

在整個(gè)計(jì)算過(guò)程中，本公開(kāi)方法對(duì)采集的振動(dòng)信號(hào)y_6400×1進(jìn)行分析，從該振動(dòng)信號(hào)中學(xué)習(xí)出32個(gè)緊框架濾波器，每個(gè)濾波器的長(zhǎng)度為32，迭代50次用時(shí)0.1022s。對(duì)相同振動(dòng)信號(hào)y_6400×1，使用傳統(tǒng)字典學(xué)習(xí)方法(KSVD)，學(xué)習(xí)出相同大小的字典，迭代50次用時(shí)192.8760s。由此可以看出，本公開(kāi)方法可以大大降低傳統(tǒng)字典學(xué)習(xí)算法的復(fù)雜度，滿(mǎn)足工程分析的時(shí)效性需求。

在一個(gè)實(shí)施例中，本公開(kāi)還提供了一種基于緊框架字典學(xué)習(xí)模型的多故障辨識(shí)裝置，所述裝置包括下述模塊：

濾波器模塊、降噪模塊、分解模塊、指標(biāo)計(jì)算模塊、解耦模塊以及辨識(shí)模塊，其中：

所述濾波器模塊，被配置用于：獲取待識(shí)別信號(hào)在緊框架字典學(xué)習(xí)模型下的一組緊框架濾波器；

所述降噪模塊，被配置用于：利用所述緊框架濾波器獲取待識(shí)別信號(hào)的降噪信號(hào)；

所述分解模塊，被配置用于：將所述降噪信號(hào)分解到每個(gè)緊框架濾波器所在的信號(hào)空間中，得到分解信號(hào)；

所述指標(biāo)計(jì)算模塊，被配置用于：對(duì)每個(gè)分解信號(hào)，計(jì)算該信號(hào)的各類(lèi)故障敏感性指標(biāo)值；

所述解耦模塊，被配置用于：將每類(lèi)故障敏感性指標(biāo)值中的最大值所對(duì)應(yīng)的分解信號(hào)所對(duì)應(yīng)的子空間，作為潛在故障信號(hào)子空間，利用緊框架濾波器的重構(gòu)算子對(duì)潛在故障信號(hào)進(jìn)行解耦后得到解耦信號(hào)；

所述辨識(shí)模塊，被配置用于：辨識(shí)所述解耦信號(hào)所屬故障類(lèi)別。

優(yōu)選地，所述濾波器模塊中的緊框架字典學(xué)習(xí)模型的表達(dá)式，采用下式：

表達(dá)式：

約束條件：Ω^TΩ＝I

式中：

y為待識(shí)別信號(hào)；

Ω為緊框架字典；

為卷積運(yùn)算符號(hào)；

為構(gòu)成緊框架字典的一組濾波器；

S_i為第i個(gè)濾波器；

r為濾波器個(gè)數(shù)，且r不小于故障類(lèi)別數(shù)目；

α為振動(dòng)信號(hào)y在字典Ω下的稀疏表示系數(shù)；

λ為正則化參數(shù)。

優(yōu)選的，所述濾波器模塊包括下述單元：

信號(hào)矩陣構(gòu)成單元、設(shè)置單元、濾波單元、稀疏表示系數(shù)矩陣單元、退出單元、SVD分解單元、緊框架字典計(jì)算單元、循環(huán)變量處理單元，其中：

所述信號(hào)矩陣構(gòu)成單元，被配置用于：輸入待識(shí)別信號(hào)，輸出信號(hào)矩陣；

所述設(shè)置單元，被配置用于：設(shè)置循環(huán)變量的初始值，以及設(shè)定循環(huán)變量的最大值，將初始值輸出給所述濾波單元，將最大值輸出給所述退出單元；

所述濾波單元，被配置用于：接收循環(huán)變量，根據(jù)所述循環(huán)變量的值選擇緊框架濾波器對(duì)所述信號(hào)矩陣進(jìn)行濾波，輸出稀疏表示矩陣和循環(huán)變量；

若所述循環(huán)變量的值為初始值，則所述緊框架濾波器的初始值為所述信號(hào)矩陣中隨機(jī)選擇若干樣本的值，所述樣本的個(gè)數(shù)和所述緊框架濾波器的個(gè)數(shù)相同；

否則，所述緊框架濾波器組的值為所述緊框架字典計(jì)算單元計(jì)算得到的緊框架字典下的值；

所述稀疏表示系數(shù)矩陣單元，被配置用于：輸入稀疏表示矩陣，利用鄰近點(diǎn)優(yōu)化算法對(duì)所述稀疏表示矩陣做閾值處理，輸出經(jīng)過(guò)處理的稀疏表示矩陣；

所述退出單元，被配置用于：接收循環(huán)變量和所述最大值；若循環(huán)變量大于最大值，則退出；否則，轉(zhuǎn)向所述SVD分解單元；

所述SVD分解單元，被配置用于：對(duì)所述信號(hào)矩陣與所述稀疏表示系數(shù)矩陣單元輸出的稀疏表示系數(shù)矩陣的乘積進(jìn)行SVD分解；若所述信號(hào)矩陣記作Y，所述稀疏表示系數(shù)矩陣單元輸出的稀疏表示系數(shù)矩陣記作則有將分解后的矩陣Q和U輸出；

所述緊框架字典計(jì)算單元，被配置用于：利用所述退出單元得到的矩陣Q和U根據(jù)下式計(jì)算緊框架字典Ω^(j)：

所述循環(huán)變量處理單元，被配置用于：使循環(huán)變量j增加1，并將循環(huán)變量的值輸出給所述濾波單元。

優(yōu)選地，所述降噪模塊包括下述單元：

稀疏編碼優(yōu)化單元、白噪聲消除單元，其中：

所述稀疏編碼優(yōu)化單元，被配置用于：采用稀疏編碼優(yōu)化算法獲取待識(shí)別信號(hào)在所述緊框架濾波器下的稀疏表示系數(shù)；

所述白噪聲消除單元，被配置用于：通過(guò)閾值收縮技術(shù)對(duì)所述稀疏編碼優(yōu)化單元得到的稀疏表示系數(shù)，進(jìn)而消除所述待識(shí)別信號(hào)的白噪聲得到降噪信號(hào)。

優(yōu)選地，所述分解模塊包括下述單元：

降噪信號(hào)稀疏表示系數(shù)獲取單元、逆濾波器單元，其中：

所述降噪信號(hào)稀疏表示系數(shù)獲取單元，被配置用于：輸入降噪信號(hào)，輸出降噪信號(hào)的稀疏表示系數(shù)；

所述逆濾波器單元為緊框架濾波器的逆濾波器，輸入降噪信號(hào)的稀疏表示系數(shù)，經(jīng)逆濾波器處理后被分解到所述緊框架濾波器所在的信號(hào)子空間中，并輸出各分解信號(hào)。

優(yōu)選地，所述解耦模塊包括下述單元：

包絡(luò)譜分析單元，判斷單元，其中：

所述包絡(luò)譜分析單元，被配置用于：輸入各個(gè)解耦信號(hào)，輸出各個(gè)解耦信號(hào)除轉(zhuǎn)頻之外的最大的峰值頻率；

所述判斷單元，被配置用于：輸入所述包絡(luò)譜分析單元輸出的峰值頻率，結(jié)合已有的故障特征頻率和設(shè)定的分辨率誤差，判斷并輸出發(fā)生故障的零部件。

通過(guò)以上的實(shí)施方式的描述，所屬領(lǐng)域的技術(shù)人員可以清楚地了解到本公開(kāi)方法及裝置可借助軟件加必需的通用硬件的方式來(lái)實(shí)現(xiàn)，當(dāng)然也可以通過(guò)專(zhuān)用硬件包括專(zhuān)用集成電路、專(zhuān)用CPU、專(zhuān)用存儲(chǔ)器、專(zhuān)用元器件等來(lái)實(shí)現(xiàn)。一般情況下，凡由計(jì)算機(jī)程序完成的功能都可以很容易地用相應(yīng)的硬件來(lái)實(shí)現(xiàn)，而且，用來(lái)實(shí)現(xiàn)同一功能的具體硬件結(jié)構(gòu)也可以是多種多樣的，例如模擬電路、數(shù)字電路或?qū)Ｓ秒娐返?。但是，?duì)本公開(kāi)而言更多情況下，軟件程序?qū)崿F(xiàn)是更佳的實(shí)施方式?；谶@樣的理解，本公開(kāi)的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在可讀取的存儲(chǔ)介質(zhì)中，如計(jì)算機(jī)的軟盤(pán)，U盤(pán)、移動(dòng)硬盤(pán)、只讀存儲(chǔ)器(ROM，Read-Only Memory)、隨機(jī)存取存儲(chǔ)器(RAM，Random Access Memory)、磁碟或者光盤(pán)等，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本公開(kāi)各個(gè)實(shí)施例所述的方法。

以上對(duì)本公開(kāi)進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個(gè)例對(duì)本公開(kāi)的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本公開(kāi)的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域技術(shù)人員，依據(jù)本公開(kāi)的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處，綜上所述，本說(shuō)明書(shū)內(nèi)容不應(yīng)理解為對(duì)本公開(kāi)的限制。