基于EEMD和低相干K-SVD的齿轮故障诊断方法研究

发布时间：2021-05-01 01:45

　　针对传统K-SVD算法在训练字典过程中,容易受到噪声干扰以及字典原子间相干性较大不足以表示信号内部结构的问题,文章提出了基于集合经验模态分解（EEMD）和低相干K-SVD相结合进行齿轮故障特征提取的方法。该方法利用EEMD对原始信号进行分解,通过峭度准则选取最优模态分量作为训练样本,以降低噪声的干扰;采用低相干K-SVD算法对训练样本进行学习,构造出低相干字典;最后,采用正交匹配追踪（OMP）算法求解稀疏系数,重构得到稀疏信号;通过仿真及实验数据进行验证,结果表明,EEMD和低相干K-SVD相结合的方法可以准确构建出匹配信号特征成分的字典,提高了信号重构性能。 

【文章来源】：组合机床与自动化加工技术. 2020,(08)北大核心

【文章页数】：5 页

【文章目录】：
0 引言
1 EEMD基本理论
2 K-SVD字典学习算法
3 齿轮故障诊断模型
    3.1 低相干K-SVD算法
    3.2 EEMD和低相干K-SVD模型的构建
4 仿真验证
5 实验验证
6 结论



本文编号：3169896