10.13465/j.cnki.jvs.2015.21.011
基于频域信号的稀疏编码在机械故障诊断中的应用
提出了一种使用稀疏编码对机械频谱信号自学习并识别故障的方法。首先分别对每类频谱信号进行字典学习得到每类信号的字典,然后依次计算测试样本在各个类别的字典上的稀疏重构系数,利用稀疏重构系数与对应类别的字典重构测试样本。最后将重构残差作为识别依据,对机器状态进行判断。通过将振动信号从时域转化到频域,将复杂的移不变稀疏编码问题转化为普通的稀疏编码,并且得益于高效的 K-SVD 字典学习算法,计算效率得到了大幅提高。所提方案直接使用原始频谱信号作为训练集,不仅省去了特征提取过程,而且保留了更丰富的信息。经实验验证,该方案较基于时域的移不变稀疏编码具有更高的计算效率、准确率和稳定性。相对于常规诊断算法,除了有准确率的优势外,不易受负载变化的影响,所需人工干预较少。
故障诊断、特征提取、稀疏编码、K-SVD、字典学习
TN165.3(真空电子技术)
国家自然科学基金项目61472444,61472392
2015-11-24(万方平台首次上网日期,不代表论文的发表时间)
共6页
59-64