轴承作为机械传动环节的关键部件,其健康状态的准确识别对实现设备安全高效运行至关重要。对于包含早期故障一维振动信号的特征提取和模式识别,其关键在于如何有效剔除或降低信号中的环境噪声和本征噪声成份。非线性动力学稀疏辨识(sparse identification of nonlinear dynamics,SINDy)方法是一种能够从动态系统的观测数据中提取出内在固有模式的稀疏回归技术,在非线性动力学领域得到广泛应用。本文将SINDy应用到机械领域一维时间序列的故障诊断中,在研究其适用性、有效性的基础上,选用通用模式分解算法对原始信号进行升维,并进行对比研究,得出基于VMD的升维算法更为有效;进一步地,针对原始算法在求解稀疏系数矩阵过程中易于陷入局部最优解,提出采用迭代重加权二阶锥规划算法将原始的稀疏回归问题转化为二阶锥规划子问题,从而得到稀疏系数矩阵的全局最优解。基于上述两个改进措施构建了通过一维时间序列信号进行机械故障诊断的SINDy方法框架。采用仿真信号及实际现场信号的实验结果表明,相比于原始SINDy算法和通用模式分解算法,本文改进方法能够更大程度地降低原始信号中的噪声成份。
暂无评论