共查询到10条相似文献,搜索用时 15 毫秒
1.
针对低速重载机械滚动轴承早期故障的振动信号中故障特征冲击成分微弱易被噪声覆盖难以识别,而利用稀疏表示方法提取冲击成分时因轴承工况非平稳性,准确匹配冲击成分字典难以构造问题,提出基于字典学习的轴承早期故障稀疏特征提取方法。利用改进型K-SVD字典学习算法构造自适应字典;采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对振动信号进行稀疏分解,计算每次迭代逼近信号的峭度值,找出最大峭度值对应的逼近信号;重构特征成分并进行包络谱分析,获得故障类型。仿真及轴承振动数据测试结果表明,所提方法能更好匹配早期故障特征成分、满足轴承实时故障监测需求。 相似文献
2.
针对复杂机械振动信号压缩感知过程中存在的稀疏字典构造困难问题,提出了基于QPSO分类的自适应稀疏字典构造方法。该方法根据信号的分割尺度,将信号进行分块,并利用每一信号块的能量大小,构造能量序列,利用QPSO对能量序列进行优化分类,保证不同类别间能量序列的方差最大,从而实现对信号块的分类,采用K-SVD对不同类信号块分别进行稀疏字典的自适应学习训练,产生与信号相适应的稀疏字典,用于机械振动信号的压缩感知重构过程。通过滚动轴承实测信号在不同状态下的压缩感知实验表明:所提方法能够有效提高信号重构的峰值信号比,改善机械振动信号的重构效果。 相似文献
3.
《振动与冲击》2019,(23)
在强背景噪声和复杂激励的干扰下,滚动轴承的早期微弱故障特征往往难以提取,提出一种稀疏分解与频域相关峭度相结合的方式,对轴承早期微弱故障特征进行提取。稀疏表示方法是分析非平稳信号的一种有效方式,在轴承故障诊断中常用的一种方法是利用K-SVD算法构造自适应字典,采用OMP算法对采集到的数据进行稀疏分解。利用频域相关峭度能够准确识别出轴承等旋转机械的循环冲击序列的特性,将其引入到字典构造过程中,求解稀疏分解时每次迭代逼近信号的频域相关峭度,并且找到最大频域相关峭度值所在位置,根据当前位置的信号重构原始信号,计算其包络及包络谱,分析故障类型。仿真信号和试验信号的结果表明:所提方法能够准确识别出轴承故障,验证了该方法在识别循环冲击序列的有效性和优越性。 相似文献
4.
《振动与冲击》2019,(16)
基于压缩感知的数据重构方法已用于解决信号采集中受损数据的修复问题,该算法首先需要已知数据稀疏度,而振动信号的稀疏度通常难以确定,增加了数据修复的难度;稀疏度自适应匹配追踪算法(SAMP)无需预估信号稀疏度,可用于受损数据修复,但SAMP算法的修复结果受终止条件影响较大,导致修复精度不高且效率较低;为此提出了基于终止准则改进的稀疏度自适应数据修复方法。基于振动信号波形特征和先验知识,选择适当的字典矩阵实现信号稀疏化;以单位矩阵为基础,根据数据的缺失模型构造观测矩阵;为了避免传统SAMP算法终止系数选取不当,导致支撑集引入错误原子的问题,采用改进的SAMP算法重构出完整信号,实现受损数据修复。通过仿真信号及轴承实测信号验证了方法有效性,且改进的SAMP算法在重构精度和运算效率上均有所提高;此外,改进的SAMP算法重构效果优于正交匹配追踪(OMP)与正则化正交匹配追踪(ROMP)。 相似文献
5.
在恒定转速情况下,旋转机械中滚动轴承的局部故障往往导致周期性冲击,从而产生周期性瞬态振动信号。对局部故障的瞬态特征提取一直是故障检测的关键问题。基于匹配追踪(Matching Pursuit,MP)算法的稀疏分解是一种信号自适应分解算法,是强噪声背景下微弱特征提取的有效方法之一。针对滚动轴承故障振动信号稀疏表示过完备字典的选择与构造问题,基于相关滤波法优选与冲击波形匹配的Laplace小波原子构造稀疏表示中的过完备字典;针对基本匹配追踪算法计算量大、效率低的问题,结合FFT快速运算特性,通过互相关运算替换基本匹配追踪算法中的内积运算,研究基于改进MP的稀疏表示快速算法,进而提高计算效率。仿真与滚动轴承故障实验分析结果表明该算法能准确的提取滚动轴承故障特征且计算效率高。 相似文献
6.
主动声呐目标分类在军事和民用方面都有重要的应用和价值。文章基于稀疏表示理论,结合K-奇异值分解和正交匹配追踪算法,提出一种基于学习字典的稀疏表示分类方法(Dictionary Learning Sparse Representation Classification,DLSRC)。首先,利用K-奇异值分解算法训练各个类别目标回波信号,得到带有目标特征信息的类别字典,类别字典对信号具有良好表征能力并且带有目标类别信息;然后,利用正交匹配追踪算法和各个类别字典稀疏分解测试信号,得到各个类别字典下的稀疏系数后重构信号;最后,根据各个重构信号与测试信号的匹配度判定类别,得到分类准确率。结果显示,200个测试数据在信噪比分别为-5、-3、6 dB时,DLSRC法的分类准确率分别达到87%、89%、95.5%。不同信噪比下基于学习字典稀疏表示分类方法的准确率均高于已有的支持向量机(Support Vector Machine,SVM)、K-最近邻(K-Nearest Neighbor,KNN)和柔性最大值分类器(SoftMax)等分类方法,具有较好的分类性能。 相似文献
7.
8.
针对经典K-奇异值分解算法构造的字典中原子形态受噪声、谐波干扰影响,进而降低冲击故障特征提取精度的问题,提出了基于集合经验模式分解和K-奇异值分解字典学习的冲击特征提取方法。该方法首先利用集合经验模式分解与Hurst指数对振动信号进行预处理,剔除谐波干扰;其次,利用经典K-奇异值分解算法和预处理信号构造超完备字典;然后,利用K-均值聚类算法对字典中的原子进行筛选;最后,利用正交匹配追踪算法实现冲击故障特征的稀疏表示。实验分析和工程应用验证了所提方法的有效性和实用性。 相似文献
9.