.png){kind=icon}
返回
A fault diagnosis method based on convolutional sparse representation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dsp.2024.104940.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
滚动轴承振动信号包含各种故障信息，而弱故障特征往往被噪声掩盖，给故障诊断带来挑战。本文提出了一种基于卷积表示和非凸优化的分组稀疏优化模型（CS-NOGS）。与传统的稀疏重构算法不同，该模型无需重新设计稀疏字典。它利用卷积计算的特殊性质来估计信号的非零值。首先，目标函数以非重叠分组的形式构建。然后，利用小波基与原始信号的卷积运算构建惩罚项，并引入GMC函数作为幅值保真项。随后，应根据FBS算法及其他相关原理求解目标函数，并将结果整合到软阈值迭代稀疏优化模型中，可通过设置不同参数实现数据更新迭代。最后，分析了滚动轴承模拟和实测信号数据的分析结果。与现有的分组稀疏方法相比，所提出的方法在提取故障信息和冲击特征方面表现出更优越的性能。
Keyword:
Rolling bearing
Fault diagnosis
Nonconvex optimization
Convolutional sparse representation
期刊
IF:
3.6
论文数:
9.9K
被引数:
1.7W
机构
引用论文
Low-rank and periodic group sparse based signal denoising method for rolling bearing fault feature extraction基于低秩和周期性群稀疏的滚动轴承故障特征提取信号去噪方法
.png){kind=icon}
PREAI
分享收藏
Image denoising via sparse and redundant representations over learned dictionaries通过学习字典上的稀疏和冗余表示进行图像去噪
PREAI
分享收藏
查看更多内容