基于改进判别字典学习的故障诊断方法

发布时间：2017-11-21 13:18

  本文关键词：基于改进判别字典学习的故障诊断方法

  更多相关文章： 稀疏编码 字典学习 经验模态分解 故障诊断

【摘要】：近年来,基于稀疏表示的分类技术在模式识别中取得一定的成功。该框架中,字典的学习和分类器的训练通常是两个独立的模块,降低了方法的识别精度。针对以上问题,提出了一种特征提取和模式识别相融合的改进判别字典学习模型,将重构误差项、稀疏编码判别项及分类误差项进行了整合,并用K奇异值分解算法对目标函数进行优化,实现了字典和分类器的同步学习。该方法先对原始信号进行经验模态分解,并从分解的本征模态函数中提取时、频特征,形成故障样本;然后将训练样本输入改进模型用K奇异值分解优化;最后用习得字典及分类器权重对测试样本进行识别。实验结果表明:该算法不但适用于小样本故障问题,而且鲁棒性和分类性能都明显高于其它算法。
【作者单位】： 哈尔滨工业大学能源科学与工程学院;东北石油大学机械科学与工程学院;
【基金】：国家自然科学基金资助项目(50875056) 黑龙江省教育厅科学技术研究项目(12521058)
【分类号】：TH17
【正文快照】： 对于机械设备而言,不同的故障呈现不同的特征频率。频谱分析比时域分析更能清晰地揭示信号的本质。有经验的维修工人仅凭工作声音就能确定机器是否正常,其原因是机器有故障时频谱不同于正常时频谱,而且人能靠耳朵感觉其不同。声学模型被认为是稀疏表示模型[1],证明频谱的稀疏

【相似文献】

中国博士学位论文全文数据库 前1条

1 唐海峰;基于信号稀疏表征的故障诊断方法研究[D];上海交通大学;2014年

，

本文编号：1211048