摘要: 针对传统学习字典中缺少原子相干性分析的问题和最优原子选择问题,提出了一种基于有效奇异分量的G-K奇异值分解(G-KSVD)字典学习方法。基于信号相干性提出自相关函数脉冲能量比(ACFPER),并以此为指标对奇异分量进行筛选,实现信号的降噪,利用包含故障信息较多的分量对字典原子进行更新和系数求解,从而达到增强信号中冲击成分的目的,并通过减少反馈层来降低时间成本。利用仿真信号和实际轴承信号对所提方法进行有效性及重复性的验证,结果表明,G-KSVD算法在有效区间内具有良好的去噪效果和较低的时间成本。
中图分类号:
孟宗, 郜文清, 潘作舟, 张光雅, 樊凤杰. G-KSVD字典及其在滚动轴承故障信号稀疏表示中的应用[J]. 中国机械工程, 2021, 32(15): 1776-1785.
MENG Zong, GAO Wenqing, PAN Zuozhou, ZHANG Guangya, FAN Fengjie. G-KSVD Dictionary and Its Applications in Sparse Representation of Rolling Bearing Fault Signals#br#[J]. China Mechanical Engineering, 2021, 32(15): 1776-1785.