可调稀疏性融合稀疏编码驱动的行星齿轮箱故障诊断方法研究

本文提出了一种创新的可调稀疏性融合稀疏编码驱动稀疏表示分类(TSFSC-SRC)方法，通过结合压缩感知技术和标签一致性K-SVD(LC-KSVD)算法，有效解决了传统故障诊断方法在数据存储、传输和分类精度方面的难题。该方法创新性地融合正交匹配追踪(OMP)和压缩采样匹配追踪(CoSaMP)算法，并基于信号均方根(RMS)值动态调整稀疏度，在行星齿轮箱数据集上取得了98.64%和99.12%的优异诊断准确率。

　　

亮点

• 采用压缩感知技术和重叠分割策略处理原始信号，基于标签一致性K-SVD(LC-KSVD)算法获得判别性字典和诊断分类器

• 提出可调稀疏性融合稀疏编码(TSFSC)算法，巧妙结合正交匹配追踪(OMP)和压缩采样匹配追踪(CoSaMP)，通过信号均方根(RMS)值动态调整稀疏度T

• 在实验室行星齿轮箱和东南大学齿轮箱数据集上分别获得98.64%和99.12%的诊断准确率，显著优于传统深度卷积神经网络(DCNN)等方法

章节片段

稀疏表示与字典学习

传统信号分析方法通常采用正交基(如傅里叶变换)进行信号表示，而稀疏表示则使用冗余字典这一更灵活的框架。数学上要求信号能用最少的字典原子精确表示，具有尽可能少的非零系数。

可调稀疏性融合稀疏编码驱动的稀疏表示分类(TSFSC-SRC)在行星齿轮箱故障诊断中的应用

当前机械监测系统面临多测点、高采样率带来的数据存储传输挑战。虽然字典学习具有强大的表示能力，但现有基于字典学习的稀疏表示分类方法在分类阶段主要依赖单一稀疏编码算法。

实验设置

本研究代码基于MATLAB 2020a编写，在HFXZ-I实验室数据集和东南大学(SEU)齿轮箱数据集上评估TSFSC-SRC方法。为验证方法优越性，与四种先进字典学习方法、两种基于字典学习的稀疏表示分类方法和一种深度学习方法进行了对比研究。

结论

本文提出了一种新颖的稀疏表示分类(SRC)方法用于行星齿轮箱压缩域故障诊断。该方法在稀疏表示阶段用TSFSC算法替代传统正交匹配追踪(OMP)算法，为智能故障诊断提供了新范式。