壓縮感知利用與稀疏基相獨立的觀測矩陣將具有稀疏結(jié)構(gòu)的高維度信號投影到低維子空間,對于信號的壓縮和降噪有很好的效果,但是稀疏基以及稀疏系數(shù)矩陣的獲得對于分析的結(jié)果有決定性的影響。稀疏貝葉斯學習(sparse bayesian learning,SBL)算法能極大地提高信號稀疏分解的精度,提出了一種改進的基于時空稀疏貝葉斯(SpatioTemporal Sparse Bayesian Learning,STSBL)的多通道信號降噪算法。首先給出了多通道壓縮感知理論模型,然后通過自適應過完備字典求取信號的稀疏基矩陣,最后提出基于STSBL的多通道理論模型獲取多通道稀疏系數(shù)矩陣,從而實現(xiàn)多通道機械故障信號的有效降噪以及特征成分的精確重構(gòu)。分別通過數(shù)值仿真實驗和實測風力發(fā)電機軸承內(nèi)圈故障信號進行分析,結(jié)果表明提出的方法有很好的降噪效果,同時能成功地提取信號的故障特征信息。 

【文章來源】：機械設(shè)計與制造. 2020年09期 北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

基于時空稀疏貝葉斯學習的多通道降噪方法流程圖

為了說明提出的方法對于實測信號的降噪性能，在現(xiàn)場采集風力發(fā)電機后軸承數(shù)據(jù)用于分析。該風機為功率1.5MW的直驅(qū)式永磁風力發(fā)電機，其滾動軸承在運行的過程中出現(xiàn)了內(nèi)圈故障。該風力發(fā)電機組主要部件及傳感器測點布置，如圖3所示。圖中：1H—主軸承水平方向；1V—主軸承垂直方向；1A—主軸承軸向方向�，F(xiàn)場檢測的照片，如圖4所示。圖4 現(xiàn)場測試照片

為了驗證自適應過完備字典的優(yōu)勢，選用離散余弦變換（DCT）字典作為對比分析。在訓練過程中，從20個源信號中任意選取10通道信號以數(shù)據(jù)長度為200進行切割，得到200個原子，隨后以此為樣本進行字典訓練，獲得各自的字典，最后分別利用兩種字典結(jié)合STSBL方法對剩余的10通道信號隨機抽取兩個通道進行重構(gòu)去噪，并對比降噪效果。同時為了驗證提出方法的有效性，選用WT對抽取的兩個通道信號分別進行處理，比較它們的降噪效果。各方法的分析結(jié)果，如圖2所示。其中，抽取其中兩個通道含噪信號的頻域圖，如圖2(a）所示。WT處理的結(jié)果，如圖2(b）所示�；贒CT字典和STSBL處理的結(jié)果，如圖2(c）所示�；谧赃m應過完備字典和STSBL處理的結(jié)果，如圖2(d）所示。由圖2(a）可發(fā)現(xiàn)，原始信號頻譜圖中雖然可以找到特征頻率的諧波頻率，但是調(diào)制成分幾乎被強噪聲所淹沒，導致故障特征難以識別。圖2(b）是WT的處理結(jié)果頻譜圖，可以觀察到故障特征頻率和其諧波頻率以及簡諧成分，但是調(diào)制邊頻成分依然不完整，且存在很多由紅色圓圈標記峰值較高的難以解釋的干擾頻率成分，導致了不能準確的判斷故障類型。而從圖2(c）通過提出的方法處理后，內(nèi)圈故障特征頻率和其各諧波頻率以及對應的調(diào)制邊頻都非常清晰，同時雖存在一些干擾頻率成分，但是可以看出它們的峰值均較小，對于故障的確定幾乎沒有影響，此外，相比較其他兩種方法，這里方法的降噪效果非常明顯。因此，提出的基于自適應過完備字典和STSBL的方法具有良好的降噪效果，能準確的提取浮躁信號中的故障特征成分。

【參考文獻】：
期刊論文
[1]基于過完備字典稀疏表示的多通道腦電信號壓縮感知聯(lián)合重構(gòu)[J]. 吳建寧,徐海東,王玨.  電子與信息學報. 2016(07)
[2]基于希爾伯特-黃變換的電力系統(tǒng)低頻振蕩的非線性非平穩(wěn)分析及其應用[J]. 韓松,何利銓,孫斌,姜浩,彭小俊.  電網(wǎng)技術(shù). 2008(04)
[3]基于奇異譜的降噪方法及其在故障診斷技術(shù)中的應用[J]. 呂志民,張武軍,徐金梧,翟緒圣.  機械工程學報. 1999(03)
[4]小波分析及其在設(shè)備故障診斷中的應用[J]. 何嶺松,吳波,康宜華,吳雅.  華中理工大學學報. 1993(01)



本文編號：2921247