一種基于稀疏表示的故障微弱信號(hào)特征提取方法
【專利摘要】該發(fā)明提供了一種基于稀疏分解理論的用于實(shí)現(xiàn)對(duì)故障微弱信號(hào)的特征提取的方法，旨在將稀疏分解算法應(yīng)用在故障微弱信號(hào)領(lǐng)域。具體方法步驟如下：一、通過歷史數(shù)據(jù)建立與故障微弱信號(hào)對(duì)應(yīng)的過完備原子庫(kù)，采用原子庫(kù)集合劃分方法，將過完備庫(kù)看成一個(gè)集合，確定原子的時(shí)頻參數(shù)尺度，頻率，相位，得到故障微弱信號(hào)的特征原子庫(kù)；二、將快速傅里葉變換算法與OMP稀疏分解結(jié)合，得到描述信號(hào)特征的一系列原子參數(shù)；三、作SPCA稀疏主分量分析對(duì)故障信號(hào)特征作優(yōu)化提取。本發(fā)明基于原子庫(kù)集合劃分和FFT的信號(hào)稀疏分解OMP算法有效降低稀疏分解算法的復(fù)雜度，提高信號(hào)稀疏分解的速度以及信號(hào)稀疏分解的效果，實(shí)現(xiàn)了信號(hào)特征的優(yōu)化提取。
【專利說明】一種基于稀疏表示的故障微弱信號(hào)特征提取方法【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及微弱信號(hào)檢測(cè)技術(shù)，具體涉及一種基于稀疏表示的故障微弱信號(hào)特征提取方法。
【背景技術(shù)】
[0002]在對(duì)大型機(jī)電設(shè)備進(jìn)行故障監(jiān)測(cè)診斷過程中，其核心部件如:轉(zhuǎn)子、軸承和齒輪等的故障特征往往非常微弱，若能運(yùn)用先進(jìn)的信號(hào)處理方法及時(shí)、準(zhǔn)確地識(shí)別核心零部件的故障微弱信號(hào)特征，必將為故障預(yù)示和演化、壽命預(yù)測(cè)和制定維修策略提供技術(shù)支持，提高大型機(jī)電設(shè)備整體運(yùn)行安全性和可靠性，避免意外停機(jī)及惡性事故。故障微弱信號(hào)特征提取已成為故障診斷領(lǐng)域的一個(gè)研究熱點(diǎn)與難點(diǎn)。
[0003]稀疏分解的理論和應(yīng)用研究主要集中在三個(gè)方面:最優(yōu)匹配原子的搜索算法及其改進(jìn)算法、字典構(gòu)造算法、稀疏分解算法在信號(hào)處理中的應(yīng)用。匹配追蹤算法是一個(gè)簡(jiǎn)單易行的基本的最優(yōu)匹配原子搜索算法，它通過剩余信號(hào)與字典中所有原子計(jì)算內(nèi)積，并取最大值的方法確定最優(yōu)匹配原子，缺點(diǎn)是收斂速度較慢，不能確定在小于信號(hào)維數(shù)的迭代步數(shù)內(nèi)達(dá)到收斂。
[0004]正交匹配追蹤算法(Orthogonal Matching Pursuit,0MP)及其改進(jìn)算法與匹配追蹤算法不同之處在于，迭代過程中完成對(duì)已選出原子的正交化，從而使算法在小于待分解信號(hào)維數(shù)的步數(shù)內(nèi)達(dá)到收斂，并使信號(hào)分解能夠精確重構(gòu)。匹配追蹤、正交匹配追蹤及其改進(jìn)算法都屬于貪婪算法，即通過遍歷字典原子的原則實(shí)現(xiàn)最優(yōu)匹配原子的搜索。
[0005]由于信號(hào)稀疏分解的良好特性，信號(hào)稀疏分解引起了許多學(xué)者的興趣，信號(hào)的稀疏分解也已經(jīng)被應(yīng)用到去噪、壓縮、編碼、參數(shù)估計(jì)、特征提取、目標(biāo)識(shí)別等信號(hào)處理的許多方面。
[0006]稀疏分解的發(fā)展為信號(hào)的變換域表示和特征提取提供了新的發(fā)展方向。該方法根據(jù)待分解信號(hào)的特點(diǎn)，從過完備原子庫(kù)中選擇最貼近殘差信號(hào)的原子，分解得到的原子參數(shù)表征的是所代表波形的特點(diǎn)。但在實(shí)際應(yīng)用中，稀疏分解算法存在計(jì)算度復(fù)雜、算法運(yùn)行時(shí)間長(zhǎng)等問題，對(duì)硬件實(shí)現(xiàn)及算法時(shí)間提出了較高要求。同時(shí)在實(shí)際環(huán)境中，信號(hào)包含實(shí)際工作中的噪聲給分解帶來(lái)更復(fù)雜的分解度。

【發(fā)明內(nèi)容】

[0007]有鑒于此，本發(fā)明的目的在于提供一種基于稀疏表示的故障微弱信號(hào)特征提取方法，該方法采用基于原子庫(kù)集合劃分和FFT信號(hào)稀疏分解OMP算法，有效降低稀疏分解算法的復(fù)雜度，提高信號(hào)稀疏分解的速度以及信號(hào)稀疏分解的效果，實(shí)現(xiàn)了信號(hào)特征的優(yōu)化提取。
[0008]為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案:
[0009] 一種基于稀疏表示的故障微弱信號(hào)特征提取方法，包括以下步驟:步驟一:建立與故障微弱信號(hào)對(duì)應(yīng)的過完備原子庫(kù)，完成原子庫(kù)集合劃分；步驟二:利用FFT實(shí)現(xiàn)信號(hào)稀疏分解，從而得到描述信號(hào)特征的一系列原子參數(shù)，直到滿足分解停止條件；步驟三:分解結(jié)束，對(duì)得到的原子參數(shù)進(jìn)行非負(fù)稀疏表示的特征提取。
[0010]進(jìn)一步，在步驟一中具體包括以下步驟:21:根據(jù)歷史數(shù)據(jù)和所設(shè)置的分解參數(shù)，獲得各原子的尺度、位移、頻率、振幅，建立與故障微弱信號(hào)對(duì)應(yīng)的過完備原子庫(kù)；22:將原子的參數(shù)尺度、頻率、振幅相同即“波形相同”的原子劃分為一類，實(shí)現(xiàn)原子庫(kù)的集合劃分。
[0011]進(jìn)一步，在步驟二中具體包括以下步驟:31:在稀疏分解的過程中，對(duì)于原子庫(kù)的一個(gè)原子，讓位移取所有可能的值[0，N-1]，提高信號(hào)稀疏分解的效果；32:利用FFT算法，將原子與信號(hào)或信號(hào)的殘差作N次內(nèi)積<Rkf，gY>轉(zhuǎn)換為一次Rkf與gY的互相關(guān)的運(yùn)算rRh ; 33:采用OMP算法得到信號(hào)在各個(gè)已選原子上的分量和殘差分量，再用相同的方法分解殘差分量。
[0012]進(jìn)一步，在步驟三中采用非負(fù)稀疏主分量分析原理提取故障微弱信號(hào)的特征。
[0013]本發(fā)明的有益效果在于:本發(fā)明通過歷史數(shù)據(jù)建立與故障微弱信號(hào)對(duì)應(yīng)的過完備原子庫(kù)，采用原子庫(kù)集合劃分的方法，大大降低信號(hào)稀疏分解的計(jì)算復(fù)雜度，并能更加準(zhǔn)確的表示故障微弱信號(hào)的時(shí)頻特性；將快速傅里葉變換算法(FFT)與OMP稀疏分解結(jié)合，有效降低稀疏分解算法的復(fù)雜度，提高信號(hào)稀疏分解的速度以及信號(hào)稀疏分解的效果。同時(shí)，基于非負(fù)稀疏表示進(jìn)行特征提取，實(shí)現(xiàn)了信號(hào)特征的優(yōu)化提取。
【專利附圖】

【附圖說明】
[0014]為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述，其中:
[0015]圖1為本發(fā)明所述基于稀疏表示的故障微弱信號(hào)特征提取方法的流程圖。
【具體實(shí)施方式】
[0016]下面將結(jié)合附圖，對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行詳細(xì)的描述。
[0017]圖1為本發(fā)明所述方法的流程圖，本方法包括以下步驟:
[0018]S1:建立與故障微弱信號(hào)對(duì)應(yīng)的過完備原子庫(kù)，完成原子庫(kù)集合劃分。根據(jù)歷史數(shù)據(jù)和所設(shè)置的分解參數(shù)，將原子歸一化，建立與故障微弱信號(hào)對(duì)應(yīng)的過完備原子庫(kù)。一個(gè)原子1由4個(gè)時(shí)頻參數(shù)Y = (s,u, v,w)決定，其中s是伸縮因子(尺度因子)，u是原子的平移因子，V是原子頻率，W是原子的相位。
[0019]令(s,V, w) = β， 0 = { β j I i = I, 2,...},把過完備原子庫(kù) D = {gY} Y e 進(jìn)行分解如公式⑴:
[0020]
【權(quán)利要求】
1.一種基于稀疏表示的故障微弱信號(hào)特征提取方法，其特征在于:包括以下步驟: 步驟一:建立與故障微弱信號(hào)對(duì)應(yīng)的過完備原子庫(kù)，完成原子庫(kù)集合劃分； 步驟二:利用FFT實(shí)現(xiàn)信號(hào)稀疏分解，從而得到描述信號(hào)特征的一系列原子參數(shù)，直到滿足分解停止條件； 步驟三:分解結(jié)束，對(duì)得到的原子參數(shù)進(jìn)行非負(fù)稀疏表示的特征提取。
2.根據(jù)權(quán)利要求1所述的一種基于稀疏表示的故障微弱信號(hào)特征提取方法，其特征在于:在步驟一中具體包括以下步驟:21:根據(jù)歷史數(shù)據(jù)和所設(shè)置的分解參數(shù)，獲得各原子的尺度、位移、頻率、振幅，建立與故障微弱信號(hào)對(duì)應(yīng)的過完備原子庫(kù)；22:將原子的參數(shù)尺度、頻率、振幅相同即“波形相同”的原子劃分為一類，實(shí)現(xiàn)原子庫(kù)的集合劃分。
3.根據(jù)權(quán)利要求1所述的一種基于稀疏表示的故障微弱信號(hào)特征提取方法，其特征在于:在步驟二中具體包括以下步驟:31:在稀疏分解的過程中，對(duì)于原子庫(kù)的一個(gè)原子，讓位移取所有可能的值[O，N-1]，提高信號(hào)稀疏分解的效果；32:利用FFT算法，將原子與信號(hào)或信號(hào)的殘差作N次內(nèi)積<Rkf，gY>轉(zhuǎn)換為一次Rkf與gY的互相關(guān)的運(yùn)算.33:采用OMP算法得到信號(hào)在各個(gè)已選原子上的分量和殘差分量，再用相同的方法分解殘差分量。
4.根據(jù)權(quán)利要求1所述的一種基于稀疏表示的故障微弱信號(hào)特征提取方法，其特征在于:在步驟三中采用非負(fù)稀疏主分量分析原理提取故障微弱信號(hào)的特征。
【文檔編號(hào)】G06T7/00GK103927761SQ201410186314
【公開日】2014年7月16日 申請(qǐng)日期:2014年5月5日 優(yōu)先權(quán)日:2014年5月5日
【發(fā)明者】柴毅, 屈劍鋒, 邢占強(qiáng), 董勇, 黃帥 申請(qǐng)人:重慶大學(xué)