典型文献
基于最优IMF分量和K-SVD的滚动轴承故障声音信号特征提取
文献摘要：
针对滚动轴承声音信号中周期性冲击故障特征难提取的问题,提出了基于最优IMF分量与K-SVD字典学习相结合的轴承故障特征提取方法.首先,利用VMD分解原始信号获得一系列IMF分量;其次,利用SAF指标自适应选取最优IMF分量,并作为训练信号;最后,利用K-SVD字典学习方法训练出字典库,通过正交匹配追踪算法(OMP)对原始信号处理得到稀疏信号,并对稀疏信号进行包络谱分析.仿真及实验结果表明,对比传统K-SVD字典学习方法,该方法得到的稀疏信号信噪比(SNR)更高,能更准确地提取滚动轴承周期性冲击,增强了轴承故障特征.
文献关键词：
声音信号;SAF指标;最优IMF分量;K-SVD;信噪比
中图分类号：
作者姓名：
梁雄鹤;陈珊;魏豪;张丽洁;权伟
作者机构：
西安工程大学机电工程学院,陕西西安710048
文献出处：
引用格式：
[1]梁雄鹤;陈珊;魏豪;张丽洁;权伟-.基于最优IMF分量和K-SVD的滚动轴承故障声音信号特征提取)[J].机械与电子,2022(02):8-12,17
A类：
B类：
IMF,SVD,滚动轴承,声音信号,信号特征提取,字典学习,轴承故障特征提取,VMD,SAF,应选,方法训练,练出,字典库,正交匹配追踪算法,OMP,信号处理,理得,稀疏信号,行包,包络谱分析,SNR
AB值：
0.264053
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
