針對傳統(tǒng)K-SVD算法在訓練字典過程中,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部結構的問題,文章提出了基于集合經驗模態(tài)分解（EEMD）和低相干K-SVD相結合進行齒輪故障特征提取的方法。該方法利用EEMD對原始信號進行分解,通過峭度準則選取最優(yōu)模態(tài)分量作為訓練樣本,以降低噪聲的干擾;采用低相干K-SVD算法對訓練樣本進行學習,構造出低相干字典;最后,采用正交匹配追蹤（OMP）算法求解稀疏系數,重構得到稀疏信號;通過仿真及實驗數據進行驗證,結果表明,EEMD和低相干K-SVD相結合的方法可以準確構建出匹配信號特征成分的字典,提高了信號重構性能。 

【文章來源】：組合機床與自動化加工技術. 2020,(08)北大核心

【文章頁數】：5 頁

【文章目錄】：
0 引言
1 EEMD基本理論
2 K-SVD字典學習算法
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模型的構建
4 仿真驗證
5 實驗驗證
6 結論



本文編號：3169896