数据驱动的GMC稀疏增强诊断方法

• 作者: 王赓 胡洁 贺王鹏 郭宝龙 陈保家
• 来源期刊: 西安电子科技大学学报（自然科学版）
• 学科: 工学
• 关键词: 机械故障诊断 凹惩罚函数 稀疏增强 参数自适应
• 年，卷（期）: 2019,（4）
• 页码范围: 74-79
• 页数: 6页
• 分类号: TH17
• 字数: 3248字
• 语种: 中文
• DOI: 10.19665/j.issn1001-2400.2019.04.011

摘要

在机械故障诊断中,针对传统方法提取微弱故障特征时易受强背景噪声干扰而精度低的问题,提出了一种基于数据驱动的广义最小最大凹惩罚函数增强的稀疏特征提取方法.该方法利用非凸的最小最大凹惩罚函数建立无约束优化问题目标函数来提高故障特征的提取精度.该惩罚函数非凸可加强特征的稀疏性,并且证明了保持目标函数整体呈现严格凸性所需要满足的约束条件.将近端算法用于所构造的无约束优化问题的求解.此外,研究了数据驱动的正则化参数设置准则,保证所提出的稀疏特征提取方法具有参数自适应性.在仿真信号和实际故障实验中验证了所提出的自适应稀疏增强的特征提取方法,结果表明所提出的方法可以精准地提取出故障特征且效果更稀疏.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郭宝龙	西安电子科技大学空间科学与技术学院	233	4214	37.0	54.0
2	陈保家	三峡大学水电机械设备设计与维护湖北省重点实验室	50	206	6.0	12.0
3	贺王鹏	西安电子科技大学空间科学与技术学院	7	18	2.0	4.0
4	胡洁	西安电子科技大学空间科学与技术学院	3	1	1.0	1.0
5	王赓	西安电子科技大学空间科学与技术学院	1	1	1.0	1.0