第3期 王国栋等:基于特征波形稀疏匹配的滚动轴承故障模式识别 ,391. 特征量(特征频率、小波系数等)而言,时域特征波 少,信号的近似表示越稀疏 形易于获取,无需任何空间变换,在时域特征波形 1.2特征波形的优化 的基础上,运用信号匹配追踪方法5-】(matching 从原始信号中提取的若干段特征波形具有一定 pursuit MP)实现轴承故障模式识别,避免了分类器 的相似性,但也存在细微的差别,为了从若干段相 的设计环节,降低了信号模式识别的复杂度.另外, 似的特征波形中提取出一段波形作为基原子模型, 基于特征波形的模式识别方法是信号样本与特征波 本文采用MOD(method of direction)方法[-对得 形形态匹配的过程,因而信号样本的幅值波动不会 到的一组特征波形进行学习优化学习优化的 影响模式识别的结果, MOD方法具体步骤如下, 本文根据轴承振动信号的波形特征,通过提取 (1)初始化,从信号中取出M个特征波形作为 特征波形,结合信号稀疏匹配的思想,实现了轴承的 学习样本a(=12…,M),特征波形的长度均为 故障模式识别,本文首先介绍信号匹配追踪和特征 L并随机产生与学习样本等长度的向量作为待优化 波形优化的基本原理,以及原子库的构造和模式识 波形a 别方法,然后通过轴承实验数据阐述特征波形的提 (2)对a进行归一化处理得a'=a川a‖2,样 取过程,最后对待识别的轴承数据进行模式识别,验 本a减去其在a上的投影得到残差s=a:一Cpa, 证方法的有效性, CP,由式(1)求得,计算所有残差的能量和E= 1基本原理 空1: 1.1信号的匹配追踪 (3)为了使残差的能量和尽可能小,需要对待 MP算法最早是由M allat和Zhang在1993年提 优化波形进行调整,使待优化波形尽可能在总体上 出来的,MP又称投影追踪,是将任意信号在过完备 与学习样本接近,调整的方法是先假设在向量a加 原子库中的部分原子上进行展开,原子的选择通过 一调整向量△={⊙,©,…,{,计算调整后的残差 迭代过程完成,每次都选择与待分解的残差信号结 能量和E与调整前的残差能量和E的差值,要使 构最匹配的原子,最匹配原子是指信号在该原子上 差值达到最小,通过计算差值对调整量©的偏导并使 的投影系数绝对值最大·投影系数可以通过计算信 之等于零,从而得到△值,如下面公式(2)~(4)所示: 号与原子的内积来实现,如下式所示: CPsd),d∈D (1) a =a'+A.E'= 1 (2) 式中,s=m,,…,x表示信号,D={d=1,2 aE一E)=0,=l2…,L 6 (3) 3…,m表示原子库,m为原子库的大小,d=, ,,%是D中的第个原子且‖d‖,=lCp,是 由式(3)进一步推导得: 信号s在原子d,上的投影系数,信号s在原子d,上 △=R.P (4) 的投影可表示为投影系数与原子d的乘积, 式中,R表示以残差为列向量组成的矩阵与投影系 信号匹配追踪的具体过程是: 数组成的列向量乘积,P表示投影系数向量的 (1)将原始信号赋给残差信号,得到信号的初 内积 始残差R'; (4)更新待优化波形,得到新的优化波形向量, (2)残差信号在原子库D中进行匹配,找到最 如下式所示: 匹配原子; a=a'十△=R.。P (5) (3)残差信号减去在最匹配原子上的投影,得 式中,R。表示以学习样本为列向量组成的矩阵与投 到新的残差信号; 影系数组成的列向量乘积, (4)迭代执行(2)(3)步,直至迭代次数达到 (5)重复(2)一(4)步,直到残差能量和没有明 某一指定值或残差信号能量小到某一值时,迭代 显变化终止,最后得到优化后的特征波形. 终止; 1.3原子库的构造及模式识别 (5)迭代结束后,可以通过将每次信号匹配分 原子库的构造取决于信号分析的目的,特征波 析的投影线性叠加得到重构后的近似信号 形表现为有限长信号序列的局部特征,且在信号序 根据不同的需要,可以灵活选择信号匹配分析 列中的位置是不固定的,为了实现匹配分析,采用 的迭代次数,迭代次数越少,选择的匹配原子个数越 上述MOD方法得到的优化后特征波形作为基原子第 3期 王国栋等: 基于特征波形稀疏匹配的滚动轴承故障模式识别 特征量 (特征频率、小波系数等 )而言时域特征波 形易于获取无需任何空间变换.在时域特征波形 的基础上运用信号匹配追踪方法 [5--6] (matching pursuitMP)实现轴承故障模式识别避免了分类器 的设计环节降低了信号模式识别的复杂度.另外 基于特征波形的模式识别方法是信号样本与特征波 形形态匹配的过程因而信号样本的幅值波动不会 影响模式识别的结果. 本文根据轴承振动信号的波形特征通过提取 特征波形结合信号稀疏匹配的思想实现了轴承的 故障模式识别.本文首先介绍信号匹配追踪和特征 波形优化的基本原理以及原子库的构造和模式识 别方法然后通过轴承实验数据阐述特征波形的提 取过程最后对待识别的轴承数据进行模式识别验 证方法的有效性. 1 基本原理 1∙1 信号的匹配追踪 MP算法最早是由 Mallat和 Zhang在 1993年提 出来的.MP又称投影追踪是将任意信号在过完备 原子库中的部分原子上进行展开.原子的选择通过 迭代过程完成每次都选择与待分解的残差信号结 构最匹配的原子.最匹配原子是指信号在该原子上 的投影系数绝对值最大.投影系数可以通过计算信 号与原子的内积来实现如下式所示: Cpi=〈sdi〉di∈D (1) 式中s={x1x2…xn}表示信号D={dii=12 3…m}表示原子库m为原子库的大小di={y1 y2…yn}是 D中的第 i个原子且‖di‖2=1Cpi是 信号 s在原子 di上的投影系数信号 s在原子 di上 的投影可表示为投影系数与原子 di的乘积. 信号匹配追踪的具体过程是: (1) 将原始信号赋给残差信号得到信号的初 始残差 R 0; (2) 残差信号在原子库 D中进行匹配找到最 匹配原子; (3) 残差信号减去在最匹配原子上的投影得 到新的残差信号; (4) 迭代执行 (2)~(3)步直至迭代次数达到 某一指定值或残差信号能量小到某一值时迭代 终止; (5) 迭代结束后可以通过将每次信号匹配分 析的投影线性叠加得到重构后的近似信号. 根据不同的需要可以灵活选择信号匹配分析 的迭代次数迭代次数越少选择的匹配原子个数越 少信号的近似表示越稀疏. 1∙2 特征波形的优化 从原始信号中提取的若干段特征波形具有一定 的相似性但也存在细微的差别.为了从若干段相 似的特征波形中提取出一段波形作为基原子模型 本文采用 MOD (methodofdirection)方法 [7--8]对得 到的一组特征波形进行学习优化.学习优化的 MOD方法具体步骤如下. (1)初始化.从信号中取出 M个特征波形作为 学习样本 ai(i=12…M)特征波形的长度均为 L并随机产生与学习样本等长度的向量作为待优化 波形 a. (2) 对 a进行归一化处理得 a′=a/‖a‖2样 本 ai减去其在 a′上的投影得到残差 ri=ai—Cpia′ Cpi由式 (1)求得计算所有残差的能量和E= ∑ M i=1 ‖ri‖ 2 2. (3) 为了使残差的能量和尽可能小需要对待 优化波形进行调整使待优化波形尽可能在总体上 与学习样本接近.调整的方法是先假设在向量 a′加 一调整向量 Δ={δ1δ2…δL}计算调整后的残差 能量和 E ∗与调整前的残差能量和 E的差值.要使 差值达到最小通过计算差值对调整量 δi的偏导并使 之等于零从而得到 Δ值如下面公式 (2)~(4)所示: a ∗ =a′+ΔE ∗ =∑ M i=1 ‖r ∗ i‖ 2 2 (2) ∂(E ∗ —E) ∂δi =0i=12…L (3) 由式 (3)进一步推导得: Δ=Rrc/Pcc (4) 式中Rrc表示以残差为列向量组成的矩阵与投影系 数组成的列向量乘积Pcc表示投影系数向量的 内积. (4) 更新待优化波形得到新的优化波形向量 如下式所示: a ∗ =a′+Δ=Rαc/Pcc (5) 式中Rαc表示以学习样本为列向量组成的矩阵与投 影系数组成的列向量乘积. (5) 重复 (2)~(4)步直到残差能量和没有明 显变化终止最后得到优化后的特征波形. 1∙3 原子库的构造及模式识别 原子库的构造取决于信号分析的目的.特征波 形表现为有限长信号序列的局部特征且在信号序 列中的位置是不固定的.为了实现匹配分析采用 上述 MOD方法得到的优化后特征波形作为基原子 ·391·