状态数据反映设备的实时运行状态,是获取设备状态变化趋势、分析设备故障根源的重要依据。状态数据是关系到企业生产运行、监控和管理不可缺少的重要资源,需要实时、快速、准确的分析和处理,以便能够及时、准确的掌握设备的运行状态。随着生产连续运行和状态监测的持续,设备的状态数据始终处于增长的趋势。海量数据的安全存储、有效传输、高效分析等方面的问题也逐渐成为当前状态监测和故障诊断领域中不可忽视的问题。压缩感知是基于信息采集的一种全新的数据采集和处理框架,其主要思想是利用信号的稀疏性特征,从少量的观测数据中高概率的重构出原始信号,它为状态监测获得的海量数据处理提供了一个新的途径。本学位论文在国家自然科学基金青年项目"基于压缩感知的滚动轴承稀疏特征提取方法研究"(项目编号:51405211)的资助下,采用理论研究和实验验证相结合的研究路线开展研究。作者以稀疏表示理论和压缩感知理论为基础,研究滚动轴承的特征提取与特征约简问题,通过分析振动信号、声发射信号,对压缩感知框架进行改进并用于滚动轴承的故障诊断。主要研究内容包括:(1)本文综述国内外相关文献的研究现状,对压缩感知理论及关键问题进行概述,总结压缩感知在故障诊断领域的研究成果,归纳压缩感知理论在故障诊断领域中研究存在的问题,并提出有针对性的解决方案,为压缩感知理论在机械设备故障诊断技术中的应用提供参考和借鉴的方向。(2)论文在压缩感知理论的基础上,将信号的分析处理从经典时域空间转移到低维压缩空间,开展滚动轴承振动信号的数据压缩和特征提取方法的研究。研究信号在降维投影中的近似等距性质,并使用高斯随机矩阵实现轴承信号的压缩。在压缩域内提出一种基于近似等距投影的特征提取方法,将该方法和支持向量机技术相结合,提出一种基于压缩域特征的滚动轴承故障诊断模型。(3)针对声发射信号存储问题提出一种压缩方法。将压缩感知理论与声发射技术相结合,以滚动轴承声发射信号为研究对象,在压缩域内研究滚动轴承声发射信号的分解和频带能量特征提取。提出一种从压缩数据提取频段能量特征的方法,用于评估滚动轴承全寿命周期的状态。(4)论文研究滚动轴承不同特征指标对故障的敏感性,将特征指标的敏感度量化问题转变为特征向量的稀疏表示问题进行求解。以滚动轴承振动信号的高维特征向量为研究对象,研究滚动轴承特征向量的稀疏性。分析高维联合特征集合在特定字典上的稀疏表示,使用训练学习方法构造稀疏字典,验证高维特征在稀疏字典上的稀疏性。(5)研究基于改进压缩感知框架的滚动轴承特征约简问题。在压缩感知框架下将高维特征约简为转换为压缩感知问题进行求解。基于近似等距投影性质,将高斯随机矩阵用于特征的降维。引入压缩学习模型,提出一个基于低维特征的故障诊断模型。实验证明使用低维特征能够正确进行分类且计算效率更高。