基于周期时频稀疏性的旋转机械故障检测
声音
2016-08-24 v2
摘要
本文解决从振动信号中提取周期振荡特征以检测旋转机械故障的问题。为提取该特征，我们提出一种在短时傅里叶变换（STFT）域中的方法，其中周期振荡特征表现为一个相对稀疏的网格。为估计该稀疏网格，我们利用正则化项中的定制二进制权重构造了一个优化问题，其中权重被设计为促进周期性。为求解该优化问题，我们开发了称为增广拉格朗日majorization-minimization算法（augmented Lagrangian majorization-minimization algorithm），该算法将分裂增广拉格朗日收缩算法（SALSA）与majorization-minimization（MM）相结合，并保证在凸和非凸公式下均收敛。作为示例，所提方法应用于仿真数据，并作为真实数据中轴承和齿轮箱故障诊断的工具，与一些最先进方法进行比较。结果表明所提方法能有效检测和提取周期振荡特征。
引用
@article{arxiv.1511.00393,
title = {Detection of Faults in Rotating Machinery Using Periodic Time-Frequency Sparsity},
author = {Yin Ding and Wangpeng He and Binqiang Chen and Yanyang Zi and Ivan W. Selesnick},
journal= {arXiv preprint arXiv:1511.00393},
year = {2016}
}