基于特征原子的机械故障改进平移不变稀疏解析

在复杂工况下，机械设备的监测信号易受到多振动源及环境噪声的干扰，导致故障特征微弱。微弱特征提取的困难给设备故障诊断带来了挑战。因此，提出了一种基于特征原子（FA）的改进平移不变稀疏解析（ISISP）模型，用于解析故障特征以进行故障诊断。首先，提出了基于信号时频分析的FA构建方法以匹配时域冲击信息。基于可调Q因子小波变换（TQWT）对信号进行分解并重构分量细节。根据最大峭度准则，通过提取重构分量的最优小波函数来构建FA。其次，提出了残差最小化的ISISP算法来解析故障特征。通过FA与原始信号之间的相关性分析，基于偏移处残差最小化的改进匹配追踪（IMP）算法能更好地保留冲击分量的幅值特征。提出了基于先验参数的模型稀疏参数化方法。随后，通过对ISISP模型获得的稀疏重构信号进行包络谱分析来识别故障信息。最后，通过分析由周期性冲击信号和多个冗余分量组成的仿真信号，验证了ISISP模型的有效性及参数选择的适用性。提出了重构信号的谐波能量比（HER）参数，以量化分析重构信号包络谱特征的效果。通过对多种轴承和齿轮故障信号进行实验，验证了ISISP模型的特征提取有效性。通过与TQWTGMC、快速谱峭度（fast SK）、平移不变KSVD以及平移不变稀疏编码（SISC）的对比，验证了ISISP模型的优势。