基于终止准则改进K-SVD字典学习的稀疏表示特征增强方法 |
| |
引用本文: | 王华庆,任帮月,宋浏阳,董方,王梦阳.基于终止准则改进K-SVD字典学习的稀疏表示特征增强方法[J].机械工程学报,2019,55(7). |
| |
作者姓名: | 王华庆 任帮月 宋浏阳 董方 王梦阳 |
| |
作者单位: | 北京化工大学机电工程学院 北京 100029;北京化工大学机电工程学院 北京 100029;北京化工大学机电工程学院 北京 100029;北京化工大学机电工程学院 北京 100029;北京化工大学机电工程学院 北京 100029 |
| |
基金项目: | 国家自然科学基金;国家自然科学基金 |
| |
摘 要: | 针对传统K奇异值分解(K-Singular value decomposition, K-SVD)算法在稀疏表示过程中,由于目标信号稀疏度难以确定以及字典原子受噪声干扰大导致稀疏表示效果较差的问题,结合变分模态分解(Variational mode decomposition, VMD)算法,提出了基于VMD与终止准则改进K-SVD字典学习的稀疏表示方法。借助VMD算法剔除信号中的干扰分量,依据相关分析与峭度准则选择最优模态分量;采用终止准则改进的K-SVD字典学习算法对最优分量的特征信息进行学习,优化目标函数与约束条件,在无需设置稀疏度的前提下,构造出准确匹配故障冲击成分的字典;此外,构建一种残差阈值改进的正交匹配追踪算法(OMPerr)实现稀疏重构及微弱故障特征增强。通过仿真及试验信号进行验证,结果表明:基于VMD与改进K-SVD字典学习的稀疏表示方法在字典原子构建、稀疏重构精度以及故障特征增强等方面均优于传统K-SVD稀疏表示方法,可以有效实现微弱故障的诊断。
|
关 键 词: | 稀疏表示 故障特征增强 K奇异值分解 特征提取 |
本文献已被 CNKI 万方数据 等数据库收录! |
|