針對利用機械振動信號進行設(shè)備故障診斷和狀態(tài)監(jiān)測過程中,存在采樣數(shù)據(jù)量多、存儲容量大、傳輸帶寬高和信號重構(gòu)精度低等問題,提出一種稀疏度擬合的自適應(yīng)機械振動信號壓縮感知方法。首先,對機械振動信號進行多尺度小波包變換,再將小波包系數(shù)按一定閾值進行置零處理并求取其稀疏度;然后,采用迭代方法求取各稀疏度下滿足重構(gòu)信號精度條件的最低采樣率,并對信號的稀疏度和采樣率采用最小二乘法進行擬合,消除信號測量誤差,求取最佳信號采樣率;最后,采用K-奇異值分解算法構(gòu)造與各信號塊相適應(yīng)的過完備字典,并利用正交匹配追蹤算法實現(xiàn)信號重構(gòu)。實驗證明,與傳統(tǒng)壓縮算法相比較,該算法的信號壓縮率和重構(gòu)精度均得到較大提高。 

【文章來源】：振動.測試與診斷. 2020,40(05)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

信號CS與重構(gòu)過程

對機械振動信號采用上述方法進行分段處理，當(dāng)完成m段信號的稀疏變換后，可以得到一組稀疏度-采樣率的數(shù)據(jù)對集合{ki,fi}，i=1,2，…，m。由于各種測量誤差的存在，一些數(shù)據(jù)對會表現(xiàn)為離散的點。根據(jù)信號的慣性特征，這些離散的點往往是由測量誤差產(chǎn)生的。為了消除測量誤差，采用最小二乘法對這些數(shù)據(jù)對進行擬合，即在m次線性函數(shù)簇P={p1,p1，…，pm}中找到最佳函數(shù)h(k,C），使其平方誤差和滿足實際應(yīng)用中，在程序的初始化部分對m段振動信號進行稀疏變換，并對m段信號的稀疏度-采樣率數(shù)據(jù)對進行最小二乘擬合，得到一個確定性函數(shù)。程序運行時，當(dāng)有新數(shù)據(jù)對加入時，直接調(diào)用該確定函數(shù)對采樣率進行優(yōu)化。并將新數(shù)據(jù)對加入到數(shù)據(jù)對序列中，再次進行最小二乘擬合并得到新的確定性函數(shù)，當(dāng)有更新的數(shù)據(jù)對加入時，再次調(diào)用新的確定性函數(shù)對采樣率進行優(yōu)化，依次類推。

圖3中的3條曲線分別表示在K-VSD過完備字典、DWT過完備字典和DWT正交基3種稀疏方式下的信號重構(gòu)精度曲線�？梢钥闯觯嗤琻值下，K-VSD過完備字典具有較好的稀疏性能，其信號重構(gòu)精度較高，DWT過完備字典次之，DWT正交基最低，這一結(jié)果比較明顯地反應(yīng)了3種稀疏變換方式下信號的稀疏度與信號重構(gòu)精度有關(guān)。另外，當(dāng)n=300時，3種稀疏方式下的重構(gòu)精度均較高，且長度為300的采樣點能夠反映振動信號的周期性變化，所以后面的幾項實驗中的n均取300。實驗2分別取n=300,L=14,J=10,N=1 100，當(dāng)字典的原子數(shù)量K從500～800變化時，信號的重構(gòu)精度曲線如圖4所示。

【參考文獻】：
期刊論文
[1]基于自適應(yīng)最優(yōu)Morlet小波的滾動軸承故障診斷[J]. 祝小彥,王永杰,張鈺淇,袁婧怡.  振動.測試與診斷. 2018(05)
[2]Heterogeneous parallel computing accelerated iterative subpixel digital image correlation[J]. HUANG JianWen,ZHANG LingQi,JIANG ZhenYu,DONG ShouBin,CHEN Wei,LIU YiPing,LIU ZeJia,ZHOU LiCheng,TANG LiQun.  Science China（Technological Sciences）. 2018(01)
[3]基于改進m序列的壓縮采樣觀測矩陣設(shè)計[J]. 崔興梅,吳鍵,徐云鵬.  振動.測試與診斷. 2017(06)
[4]基于K-SVD字典學(xué)習(xí)算法的稀疏表示振動信號壓縮測量重構(gòu)方法[J]. 郭俊鋒,石斌,魏興春,李海燕,王智明.  機械工程學(xué)報. 2018(07)
[5]相空間稀疏化的信號壓縮感知與重構(gòu)方法[J]. 溫廣瑞,欒日維,任延暉,馬再超.  振動.測試與診斷. 2017(02)
[6]基于模糊粗糙集和SVM的航空發(fā)動機故障診斷[J]. 曹愈遠,張建,李艷軍,張麗娜.  振動.測試與診斷. 2017(01)
[7]基于稀疏分解的振動信號數(shù)據(jù)壓縮算法[J]. 王強,張培林,王懷光,吳定海,張云強.  儀器儀表學(xué)報. 2016(11)
[8]基于判別稀疏編碼的軸承故障診斷方法[J]. 王鵬飛,王新晴,曹蕾,王云龍,李艷峰.  儀表技術(shù)與傳感器. 2016(08)
[9]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(xué)報. 2016(07)
[10]基于字典學(xué)習(xí)的軸承早期故障稀疏特征提取[J]. 余發(fā)軍,周鳳星,嚴(yán)�？�.  振動與沖擊. 2016(06)



本文編號：3277179