仪器仪表学报

作者：张维浩，易彩，闫磊，董威，姜瀚

单位：张维浩,西南交通大学轨道交通运载系统全国重点实验室成都611756,,易彩,西南交通大学轨道交通运载系统全国重点实验室成都611756,yicai@swjtu.edu.cn,闫磊,2.西南交通大学机械工程学院成都610031； 3.中车青岛四方机车车辆股份有限公司青岛266111,,董威,中车青岛四方机车车辆股份有限公司青岛266111,,姜瀚,西南交通大学轨道交通运载系统全国重点实验室成都611756,

关键词：轴承故障;变转速工况;结构字典学习;R-nyi熵;时频-稀疏协同

基金：国家自然科学基金(52272355)、轨道交通运载系统全国重点实验室自主课题(2024RVL-T11)项目资助

变转速工况下，轴承故障信号具有显著的非平稳性和低信噪比特征，传统基于静态字典的稀疏表示方法多基于固定工况设计静态字典，难以适应转速波动引起的信号非平稳性，导致故障特征提取精度显著下降。针对这一问题，提出了一种R-nyi熵驱动的结构字典学习方法（re-adaptivestructuraldictionarylearningalgorithm，RE-ASDLA），旨在提升字典学习方法在非平稳信号工况下的适应性与诊断精度。该方法基于变转速下轴承故障形态特点，构造精准描述故障瞬态冲击形态并具有时变响应能力的过完备结构字典，突破传统分析中对信号片段截断处理的限制，能够从强噪声背景中精准提取稀疏的故障瞬态特征成分。在字典更新过程中，联合最小化重构误差和R-nyi熵度量指标，自适应优化字典结构参数，增强对信号时变特征的响应能力，并构建时频-稀疏协同的故障诊断流程。通过2组线性/非线性变速仿真信号、1组渥太华公开轴承数据和1组实车采集数据开展实验验证。结果表明在低信噪比环境下，RE-ASDLA有效克服了强背景噪声和时变故障特征的干扰，准确重构变转速故障特征，在不同的变速模式下均能准确重构故障特征，验证了该方法的有效性，提升了字典学习在变速工况下的适应性。RE-ASDLA与快速路径优化方法和基于时间重分配的同步压缩变换相比，从信号重构精准度、时频聚集性、故障拟合效果体现了RE-ASDLA的优越性。

来源：2025年第7期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第7期