本發明屬于旋轉機械故障診斷，具體涉及一種機床軸承故障特征提取方法、系統、存儲介質及設備。

背景技術：

1、本部分的陳述僅僅是提供了與本發明相關的背景技術信息，不必然構成在先技術。

2、在機床軸承的故障診斷中，振動信號通常包含多種成分，如故障沖擊成分、諧波成分、模態成分和噪聲。傳統的稀疏分解方法在處理復雜振動信號時存在以下問題：

3、（1）字典設計與實際故障沖擊波形匹配度不足，導致故障特征提取不準確；

4、（2）模態成分和諧波成分對故障特征提取的干擾較大，難以有效分離；

5、（3）傳統的稀疏分解方法的l1范數可能對小的幅值系數過度懲罰，從而丟失重要故障信息。

技術實現思路

1、本發明為了解決上述問題，提出了一種機床軸承故障特征提取方法、系統、存儲介質及設備，本發明基于物理信息多字典稀疏分解，能夠有效提取故障沖擊成分，分離模態和諧波成分，并抑制噪聲，從而提高故障診斷的準確性和可靠性。

2、根據一些實施例，本發明采用如下技術方案：

3、一種機床軸承故障特征提取方法，包括以下步驟：

4、獲取機床軸承的振動信號；

5、利用故障沖擊的物理特性，建立廣義雙脈沖響應小波字典，用于表示振動信號中的故障沖擊成分，利用離散傅里葉變換構建諧波字典，用于表示振動信號中的諧波成分；使用基于倒譜的隨機子空間方法進行工作模態分析，得到模態參數，進而構建模態字典，用于表示振動信號中的模態成分；

6、基于原始的振動信號和所構建的各個字典，并引入加權l1范數，建立物理信息多字典稀疏分解框架，求解所述物理信息多字典稀疏分解框架，直至收斂到全局最優解；

7、根據物理信息多字典稀疏分解框架的求解結果，去除振動信號中的模態成分和諧波成分，提取故障沖擊成分，以用于故障診斷。

8、作為可選擇的實施方式，利用故障沖擊的物理特性，建立廣義雙脈沖響應小波字典的過程包括：建立廣義雙脈沖響應小波的時域表達式，對其中的剝落區的大小進行參數化，通過脈沖持續時間確定剝落區的大小，并將其引入到雙脈沖響應小波字典的構建中。

9、作為進一步限定的實施方式，廣義雙脈沖響應小波字典構建為：

10、；

11、其中，剝落區中出現的脈沖為，表示卷積操作，為表示脈沖出現的初始時間，廣義雙脈沖響應小波的時域表達式為：

12、；

13、其中， ai是振幅參數，i=1，2，3，4，、和分別為阻尼比、無阻尼固有頻率和有阻尼固有頻率，是兩次脈沖的間隔時間，且，是軸承的內徑，是旋轉頻率，是剝落區的直徑。

14、作為可選擇的實施方式，基于原始的振動信號和所構建的各個字典，并引入加權l1范數，建立物理信息多字典稀疏分解框架的目標函數的過程包括：將加權l1范數集成到稀疏正則化分解中，建立物理信息多字典稀疏分解框架為：

15、；

16、其中， di是與第 i個成分或激勵源所對應的字典，該框架是稀疏分解的統一形式，將振動信號分解為多個成分以及對應的字典，是第 i個權衡參數，是第 i個激勵源的稀疏系數，是權重分配系數，由 p個矩陣組成，即，表示對角矩陣，權重系數分配模型定義為：

17、；

18、其中為穩定性參數。

19、作為進一步限定的實施方式，采用物理信息多字典稀疏分解框架可以進行單字典稀疏分解、雙字典稀疏分解或多字典分解，能夠用于單激勵源和/或多激勵源的故障診斷。

20、作為可選擇的實施方式，求解所述物理信息多字典稀疏分解框架，直至收斂到全局最優解的過程包括：將所述物理信息多字典稀疏分解框架劃分為兩個函數之和，進行變量拆分，引入輔助變量，將無約束優化問題轉化為約束問題，利用交替最小化法處理約束問題，利用增強拉格朗日法對約束問題進行改寫，進行最小化過程，直至收斂到全局最小值。

21、作為可選擇的實施方式，進行最小化過程中，使用矩陣逆引理簡化求解過程。

22、一種機床軸承故障特征提取系統，包括：

23、信號獲取模塊，被配置為獲取機床軸承的振動信號；

24、多字典構建模塊，被配置為利用故障沖擊的物理特性，建立廣義雙脈沖響應小波字典，用于表示振動信號中的故障沖擊成分，利用離散傅里葉變換構建諧波字典，用于表示振動信號中的諧波成分；使用基于倒譜的隨機子空間方法進行工作模態分析，得到模態參數，進而構建模態字典，用于表示振動信號中的模態成分；

25、多字典稀疏分解模塊，被配置為基于原始的振動信號和所構建的各個字典，并引入加權l1范數，建立物理信息多字典稀疏分解框架，求解所述物理信息多字典稀疏分解框架，直至收斂到全局最優解；

26、故障特征提取模塊，被配置為根據物理信息多字典稀疏分解框架的求解結果，去除振動信號中的模態成分和諧波成分，提取故障沖擊成分，以用于故障診斷。

27、一種計算機可讀存儲介質，用于存儲計算機指令，所述計算機指令被處理器執行時，完成上述方法中的步驟。

28、一種電子設備，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成上述方法中的步驟。

29、與現有技術相比，本發明的有益效果為：

30、本發明構建的廣義雙脈沖響應小波函數，與故障沖擊成分有更好的形態相似性，所提出的廣義雙脈沖響應小波字典具有更好的稀疏表示性能。本發明通過基于倒譜的隨機子空間工作模態分析方法來識別模態參數并構建模態字典，在稀疏表示時能考慮到模態的影響。（3）本發明構建了物理信息多字典稀疏分解框架，在提取故障成分的同時，能去除模態成分和諧波成分的干擾，利用加權策略克服了傳統?l1?范數正則化的不足，在抑制噪聲的同時，能更好地保留故障沖擊成分。

31、為使本發明的上述目的、特征和優點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細說明如下。

技術特征：

1.一種機床軸承故障特征提取方法，其特征是，包括以下步驟：

2.如權利要求1所述的一種機床軸承故障特征提取方法，其特征是，利用故障沖擊的物理特性，建立廣義雙脈沖響應小波字典的過程包括：建立廣義雙脈沖響應小波的時域表達式，對其中的剝落區的大小進行參數化，通過脈沖持續時間確定剝落區的大小，并將其引入到雙脈沖響應小波字典的構建中。

3.如權利要求2所述的一種機床軸承故障特征提取方法，其特征是，廣義雙脈沖響應小波字典構建為：

4.如權利要求1所述的一種機床軸承故障特征提取方法，其特征是，基于原始的振動信號和所構建的各個字典，并引入加權l1范數，建立物理信息多字典稀疏分解框架的目標函數的過程包括：將加權l1范數集成到稀疏正則化分解中，建立物理信息多字典稀疏分解框架為：

5.如權利要求4所述的一種機床軸承故障特征提取方法，其特征是，物理信息多字典稀疏分解框架進行單字典稀疏分解、雙字典稀疏分解或多字典分解，能夠用于單激勵源獲/和多激勵源的故障診斷。

6.如權利要求1所述的一種機床軸承故障特征提取方法，其特征是，求解所述物理信息多字典稀疏分解框架，直至收斂到全局最優解的過程包括：將所述物理信息多字典稀疏分解框架劃分為兩個函數之和，進行變量拆分，引入輔助變量，將無約束優化問題轉化為約束問題，利用交替最小化法處理約束問題，利用增強拉格朗日法對約束問題進行改寫，進行最小化過程，直至收斂到全局最小值。

7.如權利要求6所述的一種機床軸承故障特征提取方法，其特征是，進行最小化過程中，使用矩陣逆引理簡化求解過程。

8.一種機床軸承故障特征提取系統，其特征是，包括：

9.一種計算機可讀存儲介質，其特征是，用于存儲計算機指令，所述計算機指令被處理器執行時，完成權利要求1-7中任一項所述的方法中的步驟。

10.一種電子設備，其特征是，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成權利要求1-7中任一項所述的方法中的步驟。

技術總結
本發明屬于旋轉機械故障診斷技術領域，提供了一種機床軸承故障特征提取方法、系統、存儲介質及設備，本發明針對機床軸承的振動信號的故障沖擊成分、諧波成分和模態成分，分別建立字典；基于原始的振動信號和所構建的各個字典，建立物理信息多字典稀疏分解框架，求解所述物理信息多字典稀疏分解框架，直至收斂到全局最優解；根據求解結果，去除振動信號中的模態成分和諧波成分，提取故障沖擊成分，以用于故障診斷。本發明解決了現有方法中特征提取準確率不高，干擾較多的問題，能夠有效提取故障沖擊成分，分離模態和諧波成分，并抑制噪聲，從而提高故障診斷的準確性和可靠性。

技術研發人員：馬賽,王政,朱鵬,徐晟博,朱洪濤,鄒斌,姚鵬,劉玥
受保護的技術使用者：山東大學
技術研發日：
技術公布日：2025/4/28