马利君，熊 鸣，吴 晔 ，罗 丹，宋 寅

(1．大唐环境产业集团股份有限公司 特许经营分公司，江苏 南京 210000 ；2．武汉理工大学 机电工程学院，湖北 武汉 430070；3.襄阳五二五泵业有限公司，湖北 襄阳 441004)

机械设备在运转过程中往往会产生各种形式的振动，作为诊断设备正常运行的重要指标之一，工程师希望能够准确获取这些振动信号用于设备的故障分析。通常情况下，振动信号的采样依赖于奈奎斯特采样定理[1]，但由于现在制造设备越来越丰富，振动信号的频带也在不断增大，随之而来的数据量陡增[2-3]。

针对这一问题，徐敏强等[4]在分析了旋转机械振动信号的特点和小波变换在信号奇异性检测上的特性后，提出了一种数据压缩方法；王楠等[5]提出了一种针对振动信号进行压缩编码的算法，该算法可有效压缩振动信号，且在保留其频域主要特征的情况下，使传输数据量大大减少，节省了网络节点资源和上位机存储空间；王怀光等[6]提出一种基于自适应学习的量子神经网络振动信号压缩方法，可提高振动信号的压缩比, 减小重构误差, 缩短运行时间, 更适用于振动信号的在线传输；余路等[7]提出了一种基于过完备字典的缺失振动数据压缩感知重构算法，该算法优于传统基于离散余弦变换和离散傅里叶变换的数据修复算法, 同时具有一定的鲁棒性。

上述算法大多是通过数据压缩来减少数据文件的大小，其压缩能力有限，难以从源头上控制采样数据量。……