本公開涉及故障診斷方法技術(shù)領(lǐng)域，具體地講，涉及一種稀疏緊框架字典學(xué)習(xí)模型的多故障辨識方法與裝置。

背景技術(shù)：

機(jī)械系統(tǒng)健康監(jiān)測與評估對于降低其維修成本，避免災(zāi)難性事故的發(fā)生具有重要意義?；谡駝有盘柕慕】当O(jiān)測的核心在于快速精準(zhǔn)地辨識出信號中故障特征。然而，由于機(jī)械系統(tǒng)的結(jié)構(gòu)的復(fù)雜性，零部件的多樣性，使得長期工作于惡劣環(huán)境的零部件，如軸承，齒輪等，不可避免地發(fā)生局部損傷，同時(shí)單一故障的發(fā)生和演化過程會導(dǎo)致其它部件的性能隨之產(chǎn)生衰退，從而產(chǎn)生故障的鏈?zhǔn)椒磻?yīng)。因此，傳感器采集的振動信號往往包含多特征信息的耦合和強(qiáng)大的噪聲干擾。如果在消除噪聲的同時(shí)，有效地辨識多源微弱故障，是機(jī)械系統(tǒng)健康監(jiān)測的基礎(chǔ)支撐技術(shù)之一。

基于變換域的方法通過將信號變換到另外一個(gè)空間，通過提升故障特征在該空間的能量聚集性，從而有效辨識微弱的故障特征。目前這類方法主要有4類：頻域分析法，時(shí)頻域分析法，小波分析以及稀疏分解。其中前三類方法由于變換基函數(shù)固定，靈活性差，因此只對特定的信號具有稀疏表示能力。稀疏分解方法可以根據(jù)故障特征的物理先驗(yàn)靈活設(shè)計(jì)基函數(shù)，因此可以匹配多樣化的故障特征，為多故障特征解耦提供了理論基礎(chǔ)。

稀疏分解的核心在于稀疏表示字典的構(gòu)造，目前，稀疏表示字典的構(gòu)造方法可以歸納為如下三類：基于數(shù)學(xué)模型的稀疏表示字典，基于故障動力學(xué)模型的稀疏表示字典以及數(shù)據(jù)驅(qū)動的稀疏表示字典。其中，數(shù)據(jù)驅(qū)動的稀疏表示字典，即字典學(xué)習(xí)的方法，可以從觀測數(shù)據(jù)中直接學(xué)習(xí)出能對特征信息具有稀疏化能力的基原子，然而其計(jì)算復(fù)雜度高且存在病態(tài)問題，使得該方法在工程應(yīng)用中受到了極大的限制。

技術(shù)實(shí)現(xiàn)要素：

為解決上述問題，一方面本公開提出一種稀疏緊框架字典學(xué)習(xí)模型的多故障辨識方法，該方法在數(shù)據(jù)驅(qū)動的稀疏表示字典的基礎(chǔ)上，引入了緊框架約束，不僅有效降低了計(jì)算復(fù)雜度，還克服了特征辨識的病態(tài)問題。

一種稀疏緊框架字典學(xué)習(xí)模型的多故障辨識方法，其特征在于，所述方法包括下述步驟：

S100、獲取待識別信號在緊框架字典學(xué)習(xí)模型下的一組緊框架濾波器；

S200、利用所述緊框架濾波器獲取待識別信號的降噪信號；

S300、將所述降噪信號分解到每個(gè)緊框架濾波器所在的信號空間中，得到分解信號；

S400、對每個(gè)分解信號，計(jì)算該信號的各類故障敏感性指標(biāo)值；

S500、將每類故障敏感性指標(biāo)值中的最大值所對應(yīng)的分解信號所在的子空間，作為潛在故障信號子空間，利用緊框架濾波器的重構(gòu)算子對潛在故障信號子空間進(jìn)行解耦后得到解耦信號；

S600、辨識所述解耦信號所屬故障類別；

所述緊框架字典學(xué)習(xí)模型為具有緊框架約束的字典學(xué)習(xí)模型；

所述故障敏感性指標(biāo)為包絡(luò)譜中每類故障的故障特征頻率的前三階倍頻的能量占包絡(luò)譜信號總能量的百分比。

另一方面，根據(jù)所述方法，本公開還提供了一種基于緊框架字典學(xué)習(xí)模型的多故障辨識裝置，所述裝置包括下述模塊：

濾波器模塊、降噪模塊、分解模塊、指標(biāo)計(jì)算模塊、解耦模塊以及辨識模塊，其中：

所述濾波器模塊，被配置用于：獲取待識別信號在緊框架字典學(xué)習(xí)模型下的一組緊框架濾波器；

所述降噪模塊，被配置用于：利用所述緊框架濾波器獲取待識別信號的降噪信號；

所述分解模塊，被配置用于：將所述降噪信號分解到每個(gè)緊框架濾波器所在的信號空間中，得到分解信號；

所述指標(biāo)計(jì)算模塊，被配置用于：對每個(gè)分解信號，計(jì)算該信號的各類故障敏感性指標(biāo)值；

所述解耦模塊，被配置用于：將每類故障敏感性指標(biāo)值中的最大值所對應(yīng)的分解信號，作為潛在故障信號，利用緊框架濾波器的重構(gòu)算子對潛在故障信號進(jìn)行解耦后得到解耦信號；

所述辨識模塊，被配置用于：辨識所述解耦信號所屬故障類別。

與現(xiàn)有技術(shù)相比，由于本公開方法引入緊框架約束，使得本公開方法中的字典具有了下述緊框架的優(yōu)良性質(zhì)：

(1)由于緊框架濾波器可以通過卷積運(yùn)算實(shí)現(xiàn)信號分解，大大降低了計(jì)算復(fù)雜度，即數(shù)據(jù)驅(qū)動的稀疏表示字典方法的計(jì)算復(fù)雜度為O(SMN²)，加入緊框架約束后降低為O(rllog(l))；其中，S為信號的塊數(shù)，M為字典原子的維數(shù)，r為緊框架濾波器的個(gè)數(shù)，l為原始信號的長度；

(2)由于緊框架字典具有完備性，將待識別信號分解到多個(gè)信號子空間中，有效保留了待識別信號中的所有特征，避免微弱故障特征的漏檢。

由于本公開方法中的字典具有上述優(yōu)良性質(zhì)，使得本公開方法避免了計(jì)算時(shí)的病態(tài)問題。

同時(shí)，在重構(gòu)解耦信號時(shí)，直接通過計(jì)算故障敏感性指標(biāo)值就可以判斷出潛在故障信號，不需要人為的對每個(gè)分解信號進(jìn)行分析篩選，使得故障辨識簡單有效，對機(jī)械系統(tǒng)的核心組件維護(hù)和檢修計(jì)劃的安排調(diào)整給出指導(dǎo)性建議。

本公開裝置根據(jù)所述方法實(shí)現(xiàn)，同樣具有上述有益效果。

附圖說明

圖1是本公開一個(gè)實(shí)施例中關(guān)于方法流程圖的一種示意圖；

圖2是本公開一個(gè)實(shí)施例中關(guān)于待識別信號時(shí)域波形圖的示意圖；

圖3是本公開一個(gè)實(shí)施例中關(guān)于待識別信號頻譜圖的示意圖；

圖4是本公開一個(gè)實(shí)施例中關(guān)于待識別信號包絡(luò)譜圖的示意圖；

圖5是本公開一個(gè)實(shí)施例中關(guān)于軸承外圈故障最優(yōu)子空間信號的包絡(luò)譜示意圖；

圖6是本公開一個(gè)實(shí)施例中關(guān)于軸承內(nèi)圈故障最優(yōu)子空間信號的包絡(luò)譜示意圖；

圖7是本公開一個(gè)實(shí)施例中關(guān)于軸承滾動體故障最優(yōu)子空間信號的包絡(luò)譜示意圖；

圖8是本公開一個(gè)實(shí)施例中關(guān)于軸承保持架故障最優(yōu)子空間信號的包絡(luò)譜示意圖。

具體實(shí)施方式

在一個(gè)基礎(chǔ)實(shí)施例中，提供了一種基于緊框架字典學(xué)習(xí)模型的多故障辨識方法，所述方法包括下述步驟：

S100、獲取待識別信號在緊框架字典學(xué)習(xí)模型下的一組緊框架濾波器；

S200、利用所述緊框架濾波器獲取待識別信號的降噪信號；

S300、將所述降噪信號分解到每個(gè)緊框架濾波器所在的信號空間中，得到分解信號；

S400、對每個(gè)分解信號，計(jì)算該信號的各類故障敏感性指標(biāo)值；

S500、將每類故障敏感性指標(biāo)值中的最大值所對應(yīng)的分解信號所在的子空間，作為潛在故障信號子空間，利用緊框架濾波器的重構(gòu)算子對潛在故障信號子空間進(jìn)行解耦后得到解耦信號；

S600、辨識所述解耦信號所屬故障類別；

所述緊框架字典學(xué)習(xí)模型為具有緊框架約束的字典學(xué)習(xí)模型；

所述故障敏感性指標(biāo)為包絡(luò)譜中每類故障的故障特征頻率的前三階倍頻的能量占包絡(luò)譜信號總能量的百分比。

在本實(shí)施例中，由于緊框架濾波器可以通過卷積運(yùn)算實(shí)現(xiàn)信號分解，大大降低了計(jì)算復(fù)雜度，即數(shù)據(jù)驅(qū)動的稀疏表示字典方法的計(jì)算復(fù)雜度為O(SMN²)，加入緊框架約束后降低為O(rllog(l))；其中，S為信號的塊數(shù)，M為字典原子的維數(shù)，r為緊框架濾波器的個(gè)數(shù)，l為原始信號的長度。由于緊框架字典具有完備性，將待識別信號分解到多個(gè)信號子空間中，可以有效保留了待識別信號中的所有特征，避免微弱故障特征的漏檢。由于上述優(yōu)良性質(zhì)，避免了計(jì)算時(shí)的病態(tài)問題。

同時(shí)，在重構(gòu)解耦信號時(shí)，由于可以直接通過計(jì)算故障敏感性指標(biāo)值就可以判斷出潛在故障信號，不需要人為的對每個(gè)分解信號進(jìn)行分析篩選，使得故障辨識簡單有效，對機(jī)械系統(tǒng)的核心組件維護(hù)和檢修計(jì)劃的安排調(diào)整給出指導(dǎo)性建議。

優(yōu)選地，給出了所述緊框架字典學(xué)習(xí)模型的表達(dá)式，具體如下：

表達(dá)式：

約束條件：Ω^TΩ＝I

式中：

y為待識別信號；

Ω為緊框架字典；

為卷積運(yùn)算符號；

為構(gòu)成緊框架字典的一組濾波器；

S_i為第i個(gè)濾波器；

r為濾波器個(gè)數(shù)，且r不小于故障類別數(shù)目；

α為振動信號y在字典Ω下的稀疏表示系數(shù)；

λ₁為正則化參數(shù)。

所述緊框架字典學(xué)習(xí)模型的設(shè)計(jì)依據(jù)機(jī)械系統(tǒng)的運(yùn)行工況和可能的故障模式，確定緊框架濾波器的子空間個(gè)數(shù)。

優(yōu)選地，所述步驟S100進(jìn)一步包括下述步驟：

S101：將待識別信號記作y，對待識別信號y進(jìn)行分塊截取，每N個(gè)點(diǎn)組成一個(gè)數(shù)據(jù)樣本，將每一個(gè)樣本作為一個(gè)列向量，構(gòu)成信號矩陣，將所述信號矩陣記作Y；

S102、將循環(huán)變量記作j，設(shè)置循環(huán)變量j的初始值以及最大值，將所述最大值記作L；

S103、使用表示緊框架濾波器組，用該緊框架濾波器組中的每一個(gè)緊框架濾波器對信號矩陣進(jìn)行濾波，得到稀疏表示系數(shù)矩陣，將該稀疏表示系數(shù)矩陣記作A^(j)；

若j為初始值，所述緊框架濾波器組的初始值為從所述信號矩陣中隨機(jī)選擇的r個(gè)樣本的值；

否則，所述緊框架濾波器組的值為步驟S106計(jì)算得到的緊框架字典的值；

S104、用鄰近點(diǎn)優(yōu)化算法對A^(j)做閾值收縮處理，得到

S105、判斷循環(huán)變量j是否大于設(shè)定的最大值L；若循環(huán)變量j大于最大值L，將Ω^(L)作為待測信號的緊框架字典，在該字典下的緊框架濾波器作為待測信號的緊框架濾波器，然后退出；

否則，對矩陣乘積進(jìn)行SVD分解：

S106、利用步驟S105中得到的矩陣Q和U計(jì)算緊框架字典Ω^(j)：

S107、將循環(huán)變量j增加1后，返回步驟S103。

上述步驟通過對待識別信號迭代實(shí)施鄰近點(diǎn)優(yōu)化算法和奇異值分解算法，可以得到構(gòu)成緊框架字典的一組緊框架濾波器。S102中的最大值L可以根據(jù)設(shè)備計(jì)算能力以及計(jì)算精度確定，通常設(shè)定為50次。

優(yōu)選地，所述降噪信號的獲取包括下述步驟：

S201、采用稀疏編碼優(yōu)化算法獲取待識別信號在所述緊框架濾波器下的稀疏表示系數(shù)；

S202、通過閾值收縮技術(shù)對步驟S201中的稀疏表示系數(shù)，進(jìn)而消除所述待識別信號的白噪聲得到降噪信號。

根據(jù)依據(jù)稀疏優(yōu)化理論，構(gòu)造基于分析先驗(yàn)的稀疏編碼優(yōu)化模型：

約束條件：

式中：α為待測信號y在緊框架稀疏字典Ω^(L)下的稀疏表示系數(shù)，利用閾值參數(shù)λ₂(0＜λ₂＜1)的鄰近點(diǎn)算子求解式(2)，可實(shí)現(xiàn)對待測信號y的降噪，得到降噪的信號x為迭代過程中的變量，其最后一次迭代得到的值即為

優(yōu)選地，所述步驟S300進(jìn)一步包括下述步驟：

S301、獲取降噪信號在所述緊框架濾波器下的稀疏表示系數(shù)；

S302、獲取所述緊框架濾波器的逆濾波器；

S303、利用步驟S301中的稀疏表示系數(shù)和步驟S302中的逆濾波器，將所述降噪信號分解到所述緊框架濾波器所在的信號子空間。

優(yōu)選地，所述步驟600進(jìn)一步包括下述步驟：

S601、對各個(gè)解耦信號進(jìn)行Hilbert包絡(luò)譜分析，得到幅值-頻率曲線；

S602、對每個(gè)幅值-頻率曲線，搜索除轉(zhuǎn)頻之外的最大的峰值頻率；

S603、若判定所述峰值頻率與故障特征頻率在設(shè)定的分辨率誤差范圍內(nèi)，則表示該故障特征頻率所對應(yīng)的零部件發(fā)生了故障，從而實(shí)現(xiàn)了故障的辨識。

通過設(shè)計(jì)物理先驗(yàn)驅(qū)動的故障敏感性指標(biāo)集，可以有效實(shí)現(xiàn)多故障特征的解耦。若根據(jù)機(jī)械系統(tǒng)的運(yùn)行工況和可能的故障模式，確定的故障種類數(shù)目有C種，則需構(gòu)造與C種潛在故障相匹配的故障敏感性指標(biāo)，將故障敏感性指標(biāo)記作SI_k，k＝1，2，…，C。比如確定軸承的故障種類有4種，分別為滾動體故障、保持架故障、內(nèi)圈故障、外圈局部故障。

所述故障敏感性指標(biāo)為包絡(luò)譜中故障特征頻率的前三階倍頻的能量占包絡(luò)譜信號總能量的百分比。若緊框架濾波器所在的子空間個(gè)數(shù)為r個(gè)，當(dāng)k＝1時(shí)，對第p個(gè)分解信號計(jì)算該分解信號的SI₁，p值，p＝1，2，…，r。其中，p所對應(yīng)的子空間即為第1類故障所在的最優(yōu)故障特征子空間。以此類推，分別獲得第q類故障所在的最優(yōu)故障特征子空間，q＝2，3，…，C。

由于解耦信號通過下述步驟獲得：將每類故障敏感性指標(biāo)值中的最大值所對應(yīng)的分解信號所在的子空間，作為潛在故障信號子空間，利用緊框架濾波器的重構(gòu)算子對潛在故障信號子空間進(jìn)行解耦后得到解耦信號。因此，所述解耦信號的數(shù)目與故障的種類相同。若故障的種類為C種，那么在對各個(gè)解耦信號進(jìn)行包絡(luò)譜分析時(shí)，得到的最大的峰值頻率有C個(gè)，記作i＝1，2，…C。若所述最大的峰值頻率與故障特征頻率fⁱ，i＝1，2，…C在分辨率誤差容許范圍內(nèi)，則表示相應(yīng)的零部件發(fā)生了故障，實(shí)現(xiàn)了C類復(fù)合故障的辨識。

下面實(shí)施例結(jié)合附圖對本公開方法進(jìn)行闡述。

圖1示意了將所述方法應(yīng)用于SQI電機(jī)軸承多故障辨識的流程圖。該電機(jī)的軸承預(yù)置有內(nèi)圈和外圈的局部故障。如圖所示：

S000、利用加速度振動傳感器對軸承座信號進(jìn)行測量，采集的振動信號y_64000×1作為待識別信號。

如圖2、3、4所示，分別為待識別信號y_64000×1的時(shí)域波形圖、頻譜分析圖以及包絡(luò)譜分析譜圖。從圖4中可以看出，原始信號的包絡(luò)譜中主要的頻譜成分為轉(zhuǎn)頻及其倍頻。同時(shí)只能辨識出外圈故障和內(nèi)圈故障的一倍頻成分。將采集到的加速度振動信號，按照如下步驟進(jìn)行操作：

S100、獲取待識別信號y_64000×1在緊框架字典學(xué)習(xí)模型下的一組緊框架濾波器。

對輸入信號迭代實(shí)施鄰近點(diǎn)優(yōu)化算法和奇異值分解算法，可以學(xué)習(xí)出構(gòu)成緊框架字典的一組緊框架濾波器，具體學(xué)習(xí)步驟如下：

S101、對采集振動信號y_64000×1進(jìn)行分塊，每32個(gè)點(diǎn)組成一個(gè)數(shù)據(jù)樣本，將每一個(gè)樣本作為一個(gè)列向量，構(gòu)成字典學(xué)習(xí)的輸入信號矩陣Y_32×2909；

S102、設(shè)置循環(huán)變量j的初始值為1，循環(huán)變量的最大值L＝50；

S103、使用表示緊框架濾波器組，用該緊框架濾波器組中的每一個(gè)緊框架濾波器對信號矩陣Y_32×2909進(jìn)行濾波，濾波時(shí)使用的正則化參數(shù)λ_1＝0.3，濾波后得到稀疏表示系數(shù)矩陣，將該稀疏表示系數(shù)矩陣記作A^(j)；

若j為初始值1，所述緊框架濾波器組的初始值為從所述信號矩陣中隨機(jī)選擇的r個(gè)樣本的值；其中，緊框架字典Ω⁽⁰⁾是一個(gè)32×32的矩陣，每個(gè)緊框架濾波器是一個(gè)32×1的列向量；

否則，所述緊框架濾波器組的值為步驟S106計(jì)算得到的緊框架字典的值；

S104、用鄰近點(diǎn)優(yōu)化算法對A^(j)做閾值收縮處理，得到

S105、判斷循環(huán)變量j是否大于設(shè)定的最大值L；若循環(huán)變量j大于最大值L，則學(xué)習(xí)好的緊框架濾波器組學(xué)習(xí)好的字典則退出；

否則，對矩陣乘積進(jìn)行SVD分解：

S106、利用步驟S105中得到的矩陣Q和U計(jì)算緊框架字典Ω^(j)：

S107、將循環(huán)變量j增加1后，返回步驟S103。

S200、利用所述緊框架濾波器獲取待識別信號的降噪信號，具體實(shí)現(xiàn)如下：

依據(jù)稀疏優(yōu)化理論，構(gòu)造基于分析先驗(yàn)的稀疏編碼優(yōu)化模型：

約束條件：

式中：α_6400×32為待測信號y_6400×1在緊框架稀疏字典Ω⁽⁵⁰⁾下的稀疏表示系數(shù)，利用閾值參數(shù)λ₂的鄰近點(diǎn)算子求解構(gòu)造的基于分析先驗(yàn)的稀疏編碼優(yōu)化模型，可實(shí)現(xiàn)對待測信號y_6400×1的降噪，得到降噪的信號在這里，λ₂＝0.4。x_6400×1為迭代過程中的變量，其最后一次迭代得到的值即為

S300、將所述降噪信號分解到每個(gè)緊框架濾波器所在的信號空間中，得到分解信號。

S301、利用學(xué)習(xí)好的緊框架濾波器組對降噪信號進(jìn)行分解，得到32個(gè)信號子空間的稀疏表示系數(shù)：

S302、獲取緊框架濾波器組的逆濾波器

S303、利用步驟S301中的稀疏表示系數(shù)和步驟S302中的逆濾波器，將所述降噪信號分解到所述緊框架濾波器所在的信號子空間。通過下式，可以將所述降噪信號分解到所述緊框架濾波器所在的信號子空間，得到分解信號z_i：

S400、對每個(gè)分解信號，計(jì)算該信號的各類故障敏感性指標(biāo)值。

事先構(gòu)造與4類軸承潛在故障相匹配的故障敏感性指標(biāo)SI_i，i＝1，2，…4，分別為包絡(luò)譜中4類故障特征頻率的前三階倍頻的能量占包絡(luò)譜信號總能量的百分比。

S500、將每類故障敏感性指標(biāo)值中的最大值所對應(yīng)的分解信號所對應(yīng)的子空間，作為潛在故障信號子空間，利用緊框架濾波器的重構(gòu)算子對潛在故障信號進(jìn)行解耦后得到解耦信號。

以SI_i最大為優(yōu)化指標(biāo)，分別計(jì)算r(r≥C)個(gè)子空間信號的包絡(luò)譜的SI_i值，最大SI_i值所對應(yīng)的子空間即為第i類故障所在的最優(yōu)故障特征子空間。令i＝1，2，3，4，依次優(yōu)選出4類故障各自所在的最優(yōu)故障特征子空間i＝1，2，3，4。

重構(gòu)出4個(gè)故障特征子空間的時(shí)域信號i＝1，2，3，4，從而實(shí)現(xiàn)4類故障信號的解耦，得到4類解耦信號。

S600、辨識所述解耦信號所屬故障類別。

對重構(gòu)出的4個(gè)特征子空間信號進(jìn)行包絡(luò)解調(diào)分析，分別如圖5，6，7，8所示。其中圖5為外圈故障特征的最優(yōu)子空間信號的包絡(luò)譜，可以清晰辨識出外圈故障特征頻率的1倍頻(BPFO)，2倍頻(BPFOx2)以及3倍頻(BPFOx3)成分，且除了轉(zhuǎn)頻外最大頻率成分外圈故障特征頻率的1倍頻(BPFO)，由此驗(yàn)證了電機(jī)軸承的外圈故障；圖6為內(nèi)圈故障特征的最優(yōu)子空間信號的包絡(luò)譜，可以清晰辨識出內(nèi)圈故障特征頻率的1倍頻(BPFI)，2倍頻(BPFIx2)以及3倍頻(BPFIx3)成分，同時(shí)各階內(nèi)圈故障特征頻率都存在轉(zhuǎn)頻為間隔的邊頻帶，且最大頻率成分為BPFI，由此驗(yàn)證了電機(jī)軸承的內(nèi)圈故障；圖7為軸承滾動體故障特征的最優(yōu)子空間信號的包絡(luò)譜，然而，滾動體故障特征頻率的各階次成分都極為微弱，除了轉(zhuǎn)頻外最大頻率成分與軸承故障特征頻率不相關(guān)，說明滾動體并未發(fā)生故障；圖8為保持架故障特征的最優(yōu)子空間信號的包絡(luò)譜，除了轉(zhuǎn)頻外最大頻率成分為保持架特征頻率的2倍頻成分。預(yù)示保持架存在早期微弱故障。

在整個(gè)計(jì)算過程中，本公開方法對采集的振動信號y_6400×1進(jìn)行分析，從該振動信號中學(xué)習(xí)出32個(gè)緊框架濾波器，每個(gè)濾波器的長度為32，迭代50次用時(shí)0.1022s。對相同振動信號y_6400×1，使用傳統(tǒng)字典學(xué)習(xí)方法(KSVD)，學(xué)習(xí)出相同大小的字典，迭代50次用時(shí)192.8760s。由此可以看出，本公開方法可以大大降低傳統(tǒng)字典學(xué)習(xí)算法的復(fù)雜度，滿足工程分析的時(shí)效性需求。

在一個(gè)實(shí)施例中，本公開還提供了一種基于緊框架字典學(xué)習(xí)模型的多故障辨識裝置，所述裝置包括下述模塊：

濾波器模塊、降噪模塊、分解模塊、指標(biāo)計(jì)算模塊、解耦模塊以及辨識模塊，其中：

所述濾波器模塊，被配置用于：獲取待識別信號在緊框架字典學(xué)習(xí)模型下的一組緊框架濾波器；

所述降噪模塊，被配置用于：利用所述緊框架濾波器獲取待識別信號的降噪信號；

所述分解模塊，被配置用于：將所述降噪信號分解到每個(gè)緊框架濾波器所在的信號空間中，得到分解信號；

所述指標(biāo)計(jì)算模塊，被配置用于：對每個(gè)分解信號，計(jì)算該信號的各類故障敏感性指標(biāo)值；

所述解耦模塊，被配置用于：將每類故障敏感性指標(biāo)值中的最大值所對應(yīng)的分解信號所對應(yīng)的子空間，作為潛在故障信號子空間，利用緊框架濾波器的重構(gòu)算子對潛在故障信號進(jìn)行解耦后得到解耦信號；

所述辨識模塊，被配置用于：辨識所述解耦信號所屬故障類別。

優(yōu)選地，所述濾波器模塊中的緊框架字典學(xué)習(xí)模型的表達(dá)式，采用下式：

表達(dá)式：

約束條件：Ω^TΩ＝I

式中：

y為待識別信號；

Ω為緊框架字典；

為卷積運(yùn)算符號；

為構(gòu)成緊框架字典的一組濾波器；

S_i為第i個(gè)濾波器；

r為濾波器個(gè)數(shù)，且r不小于故障類別數(shù)目；

α為振動信號y在字典Ω下的稀疏表示系數(shù)；

λ為正則化參數(shù)。

優(yōu)選的，所述濾波器模塊包括下述單元：

信號矩陣構(gòu)成單元、設(shè)置單元、濾波單元、稀疏表示系數(shù)矩陣單元、退出單元、SVD分解單元、緊框架字典計(jì)算單元、循環(huán)變量處理單元，其中：

所述信號矩陣構(gòu)成單元，被配置用于：輸入待識別信號，輸出信號矩陣；

所述設(shè)置單元，被配置用于：設(shè)置循環(huán)變量的初始值，以及設(shè)定循環(huán)變量的最大值，將初始值輸出給所述濾波單元，將最大值輸出給所述退出單元；

所述濾波單元，被配置用于：接收循環(huán)變量，根據(jù)所述循環(huán)變量的值選擇緊框架濾波器對所述信號矩陣進(jìn)行濾波，輸出稀疏表示矩陣和循環(huán)變量；

若所述循環(huán)變量的值為初始值，則所述緊框架濾波器的初始值為所述信號矩陣中隨機(jī)選擇若干樣本的值，所述樣本的個(gè)數(shù)和所述緊框架濾波器的個(gè)數(shù)相同；

否則，所述緊框架濾波器組的值為所述緊框架字典計(jì)算單元計(jì)算得到的緊框架字典下的值；

所述稀疏表示系數(shù)矩陣單元，被配置用于：輸入稀疏表示矩陣，利用鄰近點(diǎn)優(yōu)化算法對所述稀疏表示矩陣做閾值處理，輸出經(jīng)過處理的稀疏表示矩陣；

所述退出單元，被配置用于：接收循環(huán)變量和所述最大值；若循環(huán)變量大于最大值，則退出；否則，轉(zhuǎn)向所述SVD分解單元；

所述SVD分解單元，被配置用于：對所述信號矩陣與所述稀疏表示系數(shù)矩陣單元輸出的稀疏表示系數(shù)矩陣的乘積進(jìn)行SVD分解；若所述信號矩陣記作Y，所述稀疏表示系數(shù)矩陣單元輸出的稀疏表示系數(shù)矩陣記作則有將分解后的矩陣Q和U輸出；

所述緊框架字典計(jì)算單元，被配置用于：利用所述退出單元得到的矩陣Q和U根據(jù)下式計(jì)算緊框架字典Ω^(j)：

所述循環(huán)變量處理單元，被配置用于：使循環(huán)變量j增加1，并將循環(huán)變量的值輸出給所述濾波單元。

優(yōu)選地，所述降噪模塊包括下述單元：

稀疏編碼優(yōu)化單元、白噪聲消除單元，其中：

所述稀疏編碼優(yōu)化單元，被配置用于：采用稀疏編碼優(yōu)化算法獲取待識別信號在所述緊框架濾波器下的稀疏表示系數(shù)；

所述白噪聲消除單元，被配置用于：通過閾值收縮技術(shù)對所述稀疏編碼優(yōu)化單元得到的稀疏表示系數(shù)，進(jìn)而消除所述待識別信號的白噪聲得到降噪信號。

優(yōu)選地，所述分解模塊包括下述單元：

降噪信號稀疏表示系數(shù)獲取單元、逆濾波器單元，其中：

所述降噪信號稀疏表示系數(shù)獲取單元，被配置用于：輸入降噪信號，輸出降噪信號的稀疏表示系數(shù)；

所述逆濾波器單元為緊框架濾波器的逆濾波器，輸入降噪信號的稀疏表示系數(shù)，經(jīng)逆濾波器處理后被分解到所述緊框架濾波器所在的信號子空間中，并輸出各分解信號。

優(yōu)選地，所述解耦模塊包括下述單元：

包絡(luò)譜分析單元，判斷單元，其中：

所述包絡(luò)譜分析單元，被配置用于：輸入各個(gè)解耦信號，輸出各個(gè)解耦信號除轉(zhuǎn)頻之外的最大的峰值頻率；

所述判斷單元，被配置用于：輸入所述包絡(luò)譜分析單元輸出的峰值頻率，結(jié)合已有的故障特征頻率和設(shè)定的分辨率誤差，判斷并輸出發(fā)生故障的零部件。

通過以上的實(shí)施方式的描述，所屬領(lǐng)域的技術(shù)人員可以清楚地了解到本公開方法及裝置可借助軟件加必需的通用硬件的方式來實(shí)現(xiàn)，當(dāng)然也可以通過專用硬件包括專用集成電路、專用CPU、專用存儲器、專用元器件等來實(shí)現(xiàn)。一般情況下，凡由計(jì)算機(jī)程序完成的功能都可以很容易地用相應(yīng)的硬件來實(shí)現(xiàn)，而且，用來實(shí)現(xiàn)同一功能的具體硬件結(jié)構(gòu)也可以是多種多樣的，例如模擬電路、數(shù)字電路或?qū)Ｓ秒娐返?。但是，對本公開而言更多情況下，軟件程序?qū)崿F(xiàn)是更佳的實(shí)施方式。基于這樣的理解，本公開的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲在可讀取的存儲介質(zhì)中，如計(jì)算機(jī)的軟盤，U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機(jī)存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等，包括若干指令用以使得一臺計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本公開各個(gè)實(shí)施例所述的方法。

以上對本公開進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個(gè)例對本公開的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本公開的方法及其核心思想；同時(shí)，對于本領(lǐng)域技術(shù)人員，依據(jù)本公開的思想，在具體實(shí)施方式及應(yīng)用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對本公開的限制。