电机轴承故障诊断对保障工业安全至关重要。本文采用字典学习算法对电机轴承进行故障诊断,旨在突破传统基于振动信号分析方法的局限性,并克服故障特征难以提取及故障的有效检测问题。首先从字典学习基本原理出发,详细研究了稀疏表示和字典更新两阶段的算法流程,并提出基于主成分分析的字典学习优化算法。该算法以PCA/KPCA优化处理后的低冗余度样本作为初始字典来建立模型,确保了初始字典选取的确定性,并可以提升字典的特征表示性能并改善故障诊断效果。本文将字典学习故障诊断方法分为离线字典学习和在线故障诊断两个阶段,并构建重建误差限为故障判断指标。重点研究了对故障数据、故障类型判断以及定位故障源的分析方法。本文首先以田纳西-伊斯曼化工过程仿真模型为对象验证了字典学习故障诊断及其优化方法的有效性。试验结果表明:字典模型具备同时保留数据运行模态和故障类型特征的双重性能,表现出优良的模态专属性、区分性以及故障检测适应性,能够正确检测不同类型的故障数据且未出现模态混叠现象;同时,基于主成分分析的字典学习算法实现了两种算法的优化结合,不仅保证了字典模型性能指标的确定性和优良性,避免了因随机选取初始字典导致的故障检测性能波动,还进一步改善了对随机变量这类特征不明确故障的检测效果;核成分的引入更增强了字典模型对故障的区分性能。最后,以变压器油泵为对象分别完成了油泵空载和负载运行下的故障诊断试验。油泵空载运行试验结果表明,字典学习算法采用重建误差此单一指标就足以准确区分正常和故障数据,故障检测过程简便;重构样本数据更完整地包含了径向和轴向两种故障位移成分特征,获得了准确的故障定位结果。采用经过PCA/KPCA优化的初始字典建立字典模型,有效改善了故障检测和类型判别效果,特别是降低了具有相似特征的两种轴承径向位移故障的误判率,减少了故障混淆误判。相较而言,核初始字典更适应油泵的非线性特征,数据重建误差波动幅度相对更小,不同类型故障重构结果之间分布差异性更清晰。油泵负载运行试验结果表明,字典学习算法能够实现跨工况检测,工况判别指标能准确表示出单一工况特征,工况字典模型之间呈现出了较强的区分性,且经过优化的字典学习算法能有效提高工况检测率。在变工况故障诊断过程中,采用小样本容量的变工况字典模型获得了满意的故障检测和定位结果,且优化字典学习算法能将误检率减小至零并能对全部样本实现正确的故障源定位。此外,从观测指标的分布形式可以发现电压是油泵电机轴承工作过程中对工况变化影响较大的因素,因此故障诊断算法对电压改变也更为敏感,说明字典学习故障诊断算法对油泵实际变工况运行过程监测和故障诊断都具有较高的应用和借鉴价值。