基于改进的K-SVD和VMD的轴承故障特征提取方法OA北大核心CSTPCD
Feature extraction via improved K-SVD and VMD for bearing fault diagnosis
轴承作为旋转机械的核心零部件,在工作过程中易受其他部件影响,造成多部件耦合振动,产生的故障信号呈现非线性、非平稳特征,使得与故障信息相关的周期性冲击成分混入大量的背景噪声.传统K-奇异值分解(K-SVD)在字典学习过程中易受噪声干扰,难以确定初始化字典和迭代次数,导致稀疏表示效果较差,无法有效地提取故障特征.针对以上问题,提出了基于改进的K-SVD和变分模态分解(VMD)的轴承故障特征提取方法.通过VMD对隐藏的故障特征进行提取,根据原始数据构造…查看全部>>
张嘉玲;武吉梅;胡兵兵
西安理工大学 机械与精密仪器工程学院,陕西 西安 710048西安理工大学 机械与精密仪器工程学院,陕西 西安 710048西安理工大学 印刷包装与数字媒体学院,陕西 西安 710054
机械制造
稀疏表示K-奇异值分解变分模态分解故障诊断
《西安理工大学学报》 2020 (4)
551-556,6
国家自然科学基金资助项目(51705420,51905422)
评论