基于稀疏表示的轴承故障微弱特征增强系统设计与噪声鲁棒性研究.docxVIP

PAGE2

基于稀疏表示的轴承故障微弱特征增强系统设计与噪声鲁棒性研究

摘要

旋转机械装备中，滚动轴承是核心承载部件，其早期故障信号常淹没于强背景噪声中，导致微弱故障特征难以提取，严重影响设备状态监测与剩余寿命预测的准确性。针对这一工程痛点，本课题设计并实现了一套基于稀疏表示的轴承故障微弱特征增强系统。系统以稀疏表示理论为核心，通过构建过完备字典与稀疏分解算法，在强噪声干扰下实现冲击性故障特征的精准重构，从而显著提升特征信噪比与诊断可靠性。

论文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进思路展开。在需求分析阶段，明确了系统需具备信号采集、噪声抑制、特征增强与故障类型识别四大功能，并制定了信噪比提升不低于6dB、故障识别准确率高于90%等量化指标。总体设计采用分层架构，划分为数据管理层、信号处理层与诊断输出层，各层间通过标准化接口松耦合。详细设计给出了基于K-SVD字典学习的稀疏增强模块、基于OMP算法的快速分解模块以及故障特征能量熵评估模块的算法流程。系统实现基于MATLAB平台，开发了可视化交互界面，实现了从振动信号导入到诊断报告生成的完整工作流。测试结果表明，本系统在-5dB低信噪比条件下，仍能有效增强故障冲击特征，对轴承内圈、外圈和滚动体故障的识别准确率均超过92%，验证了系统的噪声鲁棒性与工程实用性。本文的核心创新在于将字典学习与稀疏表示相结合，设