郭俊锋， 王 茁

(兰州理工大学 机电工程学院，兰州 730050)

机械振动现象广泛存在于机械设备中，机械振动信号承载并传递着机械设备运转过程中的多种信息，监测并提取振动过程中的有用信息，能帮助人们更好地掌握设备运行状态，及时进行维护。传统且被广泛采用的采样技术以奈奎斯特采样理论为基础，该定理要求：采样频率必须高于信号最高频率的两倍，否则原信号将不能被精确重构。近年来，大型设备的使用日趋多样，其运行过程也产生更加复杂的变化，如设备间隙、振动工况、摩擦、碰撞、频率的随机性等。机械设备所产生的数据也朝着“大数据”的方向发展，若此时仍采用传统的奈奎斯特采样定律进行采样，必然要求更高的采样频率，同时也会产生巨量的监测数据，而这些数据的传输、存储等问题已成为亟待解决的瓶颈问题[1]。

近年来压缩感知理论[2]的出现较好地解决了上述问题，该理论能以远远小于奈奎斯特采样频率对信号进行采样进而精确重构。传统的压缩感知为单测量向量(Single Measurement Vectors, SMV)模型，该模型仅在单点监测条件下利用稀疏性对信号进行采样获得测量数据，由此获得的测量信息比较单一，需要在不同点分别进行测量才能获得多个位置的信号数据。在单测量条件下对振动信号的监测和采样浪费大量时间，效率低，并且忽略了同一台机器不同监测点信号之间可能存在的相关性。因此对一台机器的多个测点同时进行监测，获得多测量数据信号，既可进一步利用数据间的相关性又在很大程度上减少信号的冗余性，更有利于对设备的运转状态进行判断，从而有效避免事故的发生。……