本文關鍵詞：基于改進判別字典學習的故障診斷方法

  更多相關文章： 稀疏編碼 字典學習 經(jīng)驗模態(tài)分解 故障診斷

【摘要】：近年來,基于稀疏表示的分類技術在模式識別中取得一定的成功。該框架中,字典的學習和分類器的訓練通常是兩個獨立的模塊,降低了方法的識別精度。針對以上問題,提出了一種特征提取和模式識別相融合的改進判別字典學習模型,將重構誤差項、稀疏編碼判別項及分類誤差項進行了整合,并用K奇異值分解算法對目標函數(shù)進行優(yōu)化,實現(xiàn)了字典和分類器的同步學習。該方法先對原始信號進行經(jīng)驗模態(tài)分解,并從分解的本征模態(tài)函數(shù)中提取時、頻特征,形成故障樣本;然后將訓練樣本輸入改進模型用K奇異值分解優(yōu)化;最后用習得字典及分類器權重對測試樣本進行識別。實驗結果表明:該算法不但適用于小樣本故障問題,而且魯棒性和分類性能都明顯高于其它算法。
【作者單位】： 哈爾濱工業(yè)大學能源科學與工程學院;東北石油大學機械科學與工程學院;
【基金】：國家自然科學基金資助項目(50875056) 黑龍江省教育廳科學技術研究項目(12521058)
【分類號】：TH17
【正文快照】： 對于機械設備而言,不同的故障呈現(xiàn)不同的特征頻率。頻譜分析比時域分析更能清晰地揭示信號的本質。有經(jīng)驗的維修工人僅憑工作聲音就能確定機器是否正常,其原因是機器有故障時頻譜不同于正常時頻譜,而且人能靠耳朵感覺其不同。聲學模型被認為是稀疏表示模型[1],證明頻譜的稀疏

【相似文獻】

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 唐海峰;基于信號稀疏表征的故障診斷方法研究[D];上海交通大學;2014年

，

本文編號：1211048