振动与冲击

作者：王维刚,   刘占生,

单位：1. 哈尔滨工业大学 能源科学与工程学院 哈尔滨 150001；2. 东北石油大学 机械科学与工程学院 大庆 163318

关键词：稀疏编码；字典学习；经验模态分解；故障诊断

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。<br> &nbsp;&nbsp;&nbsp;

来源：2016年第4期

《振动与冲击》期刊编辑部

查看振动与冲击杂志2016年第4期