摘要
轴承是工业生产设备中最关键的零部件之一,其运行状态直接影响到整个机器或系统的运行.针对传统多尺度变换特征无法自适应解决故障诊断问题,提出一种基于自适应紧框架学习的故障诊断方法.针对过完备字典各原子具有明显的相关性,影响故障信号的重建效果,在含噪条件下通过学习构造紧框架,它既可以对轴承故障信号进行有效的自适应描述,又能完全重构故障特征信号.各故障模态有着不同的特征频率,在紧框架下,根据故障特征频率在不同滤波器下具有不同的频率响应构造故障特征;利用基于遗传算法优化的支持向量机(SVM)进行分类训练与测试.实验表明,提出的算法对轴承的故障分类有很好的效果,而且可以针对不同的故障有很好的诊断能力.
NETL
NSTL
维普
万方数据