-
题名多源声发射信号混合重叠组稀疏分类研究
- 1
-
-
作者
邓韬
刘哲潮
汪华章
何磊
-
机构
西南民族大学电气工程学院
石家庄铁道大学交通工程结构力学行为与系统安全国家重点实验室
-
出处
《计量学报》
CSCD
北大核心
2024年第1期64-72,共9页
-
基金
国家自然科学基金(12002221)
西南民族大学中央高校基本科研业务专项资金(2020NQN02)。
-
文摘
针对高速列车车体裂纹声发射检测的多源、波模式重叠及噪声干扰问题,提出一种基于本征模态的混合重叠组稀疏(MOGS)分类方法用于声发射源识别。MOGS是一种兼顾组间和组内稀疏,同时允许类间特征重叠的结构稀疏模型。设计了一种新的噪声预分解矩阵以降低本征模态分解计算量,选取目标特征频带模态为分类样本来提高类间差异。通过K-SVD层次稀疏组套索罚训练MOGS类别字典,并给出一种罚函数块坐标可分离的近似光滑处理过程以实现MOGS套索求解。实验表明,该方法对几类多源含噪信号分类准确率均高于80%,在识别率和波形重构效果上优于对比方法。
-
关键词
声学计量
声发射
组稀疏分类
混合重叠组稀疏
多源信号识别
-
Keywords
acoustic metrology
acoustic emission
group sparse representation-based classification
mixed overlapping group sparse
multi-source signal recognition
-
分类号
TB95
[机械工程—测试计量技术及仪器]
-
-
题名基于索引冗余字典的轴承故障组稀疏分类方法研究
被引量：3
- 2
-
-
作者
邓韬
林建辉
黄晨光
靳行
-
机构
西南民族大学电气信息工程学院
西南交通大学牵引动力国家重点实验室
-
出处
《振动与冲击》
EI
CSCD
北大核心
2019年第7期1-8,共8页
-
基金
国家自然科学基金重点项目(61134002)
-
文摘
基于声发射信号的高速列车轮对轴承早期故障状态诊断和分类复杂性高,常用的人工神经网络及支持向量机方法在参数设置与多分类问题上存在困难。组稀疏分类(GSRC)仅通过超完备字典下稀疏重构即可实现理想的多分类,在图像、语音分类中成为热点。为将GSRC用于轴承故障识别,设计了一种带索引的复合故障冗余字典,利用样本信号多尺度排列熵构成索引字典的小体积优势预先匹配来缩小故障类范围,以邻近梯度法和最优一阶加速的组LASSO约束优化算法来提高收敛性和计算速度;采用改进EEMD结合变分模态分解自适应的获得各故障类初始原子,以保留故障的非线性特征,同时提出一种原子区间平移稀疏编码方法(Interval Translation Sparse Coding, ITSC)放宽了样本数据截取要求,原子有更好的紧凑性与稀疏性;对七类轴承缺陷试验台跑合声发射信号进行分类,验证了该方法的性能。
-
关键词
轴承故障
组稀疏分类
声发射
VMD
-
Keywords
bearing fault
group sparse representation-based classification(GSRC)
acoustic emission
variational mode decomposition(VMD)
-
分类号
TN911.7
[电子电信—通信与信息系统]
TH17
[机械工程—机械制造及自动化]
-
