針對傳統(tǒng)K-SVD算法在訓(xùn)練字典過程中,容易受到噪聲干擾以及字典原子間相干性較大不足以表示信號內(nèi)部結(jié)構(gòu)的問題,文章提出了基于集合經(jīng)驗?zāi)B(tài)分解（EEMD）和低相干K-SVD相結(jié)合進(jìn)行齒輪故障特征提取的方法。該方法利用EEMD對原始信號進(jìn)行分解,通過峭度準(zhǔn)則選取最優(yōu)模態(tài)分量作為訓(xùn)練樣本,以降低噪聲的干擾;采用低相干K-SVD算法對訓(xùn)練樣本進(jìn)行學(xué)習(xí),構(gòu)造出低相干字典;最后,采用正交匹配追蹤（OMP）算法求解稀疏系數(shù),重構(gòu)得到稀疏信號;通過仿真及實驗數(shù)據(jù)進(jìn)行驗證,結(jié)果表明,EEMD和低相干K-SVD相結(jié)合的方法可以準(zhǔn)確構(gòu)建出匹配信號特征成分的字典,提高了信號重構(gòu)性能。 

【文章來源】：組合機(jī)床與自動化加工技術(shù). 2020,(08)北大核心

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引言
1 EEMD基本理論
2 K-SVD字典學(xué)習(xí)算法
3 齒輪故障診斷模型
    3.1 低相干K-SVD算法
    3.2 EEMD和低相干K-SVD模型的構(gòu)建
4 仿真驗證
5 實驗驗證
6 結(jié)論



本文編號：3169896