首页|时空稀疏贝叶斯的多通道降噪方法及在机械故障诊断中的应用

时空稀疏贝叶斯的多通道降噪方法及在机械故障诊断中的应用

An Multi-Channel Denoising Method Based on Spatio-Temporal Sparse Bayesian Learning and its Application to Mechanical Fault Diagnosis

扫码查看
原文链接
  • NETL
  • NSTL
  • 维普
  • 万方数据
压缩感知利用与稀疏基相独立的观测矩阵将具有稀疏结构的高维度信号投影到低维子空间,对于信号的压缩和降噪有很好的效果,但是稀疏基以及稀疏系数矩阵的获得对于分析的结果有决定性的影响.稀疏贝叶斯学习(sparse bayesian learning,SBL)算法能极大地提高信号稀疏分解的精度,提出了一种改进的基于时空稀疏贝叶斯(Spatio-Temporal Sparse Bayesian Learning,STSBL)的多通道信号降噪算法.首先给出了多通道压缩感知理论模型,然后通过自适应过完备字典求取信号的稀疏基矩阵,最后提出基于STSBL的多通道理论模型获取多通道稀疏系数矩阵,从而实现多通道机械故障信号的有效降噪以及特征成分的精确重构.分别通过数值仿真实验和实测风力发电机轴承内圈故障信号进行分析,结果表明提出的方法有很好的降噪效果,同时能成功地提取信号的故障特征信息.

吴安定、吴加福、易灿灿

展开 >

温州市特种设备检测研究院,浙江 温州 325000

武汉科技大学,湖北 武汉 430081

多通道压缩感知 时空稀疏贝叶斯 自适应过完备字典 故障特征提取

国家自然科学基金温州市质监系统科研计划项目

51475339201709

2020

机械设计与制造
辽宁省机械研究院

机械设计与制造

CSTPCD北大核心
影响因子：0.511
ISSN：1001-3997
年,卷(期)：2020.(9)
  • 1
  • 3