一种新的稀疏分类融合方法及其在机车轴承故障诊断中的应用

摘要：

针对高速列车轴箱轴承的健康状态监测中存在的故障数据不充分,单个分类器故障识别精度不高的问题,提出基于K-SVD重构残差的稀疏分类融合诊断方法.该方法利用K-SVD分解后的重构误差表征训练样本在每种故障模式下的分类趋势,根据样本的重构残差分布估计各K-SVD分类器的混淆矩阵并计算相应的可靠性矩阵,再结合D-S证据融合理论对测试样本在各K-SVD分类器下的故障识别结果进行融合分析,得到最终诊断结果.该方法在动车轴箱轴承故障试验中的应用结果表明,提出的新的稀疏分类融合方法较单一特征分类器、传统的投票融合法的识别精度有显著提高,即使是在小样本情况下其容错性、稳定性也较好,解决了高速列车轴箱轴承故障诊断中单传感器检测精度低、单一域特征信息不足即证据冲突情况下分类信息难以有效融合的问题.

关键词：轴箱轴承、K-SVD稀疏分类器、混淆矩阵、融合诊断

所属期刊栏目：40

分类号：TP18;TH133.3(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2020-09-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：5675-5681,中插27