摘要(Abstract)：
针对在齿轮箱的状态监测和故障诊断过程中传统的奈奎斯特采样定律采集到的振动信号数据量过大的问题,提出基于K-奇异值分解(K-SVD)字典学习的振动信号压缩感知(CS)方法,以实现对振动信号的高效压缩采样;在实验中分别将基于K-SVD训练生成的2种字典和离散余弦变换(DCT)固定字典用于信号的重构,并对其结果进行对比分析。实验结果表明,在相同压缩率时,与DCT固定字典相比,本文中所提出的方法能有效地提高重构信号的相似度。
关键词(KeyWords)： 齿轮箱;故障诊断;K-奇异值分解;压缩感知
基金项目(Foundation): 国家自然科学基金项目(51375319);; 石家庄铁道大学在读研究生创新能力培养计划项目(YC2019034)
作者(Author): 何天远,王万仁,吴鲁明,邢亚航,郝如江
DOI: 10.13349/j.cnki.jdxbn.2020.01.009
参考文献(References)：
[1] 党姜婷.机械振动信号的压缩采样与测量矩阵研究[D].兰州:兰州理工大学,2018.
[2] 毛静,尹鹏亮,马琦,等.自适应压缩感知的语音压缩重构算法研究[J].电子技术应用,2015,41(2):72-74,77.
[3] 见春雨.压缩感知算法及其在超宽带信道估计中的应用研究[D].南京:南京邮电大学,2012.
[4] 李玉龙.无线传感器网络中基于压缩感知的数据收集方法研究[D].湘潭:湘潭大学,2017.
[5] 陈昆弘,刘小峰.基于循环相关和LPSO算法的自适应MCKD方法的滚动轴承早期故障特征提取[J].振动与冲击,2017,36(22):80-85,157.
[6] 唐海峰.基于信号稀疏表征的故障诊断方法研究[D].上海:上海交通大学,2014.
[7] AHARON M,ELAD M,BRUCKSTEIN A.K-SVD:an algorithm for designing overcomplete dictionaries for sparse representation[J].IEEE Transactions on Signal Processing,2006,54(11):4311-4322.
[8] 唐贵基,王晓龙.自适应最大相关峭度解卷积方法及其在轴承早期故障诊断中的应用[J].中国电机工程学报,2015,35(6):1436-1444.
[9] 卜红霞.基于分数阶傅里叶域稀疏表征的CS-SAR成像理论与算法研究[D].北京:北京理工大学,2015.
[10] 黄世泽,陈威,张帆,等.基于弗雷歇距离的道岔故障诊断方法[J].同济大学学报(自然科学版),2018,46(12):1690-1695.
