小波包能量谱-稀疏核主元在故障检测中的应用

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (21): 224-229.

小波包能量谱-稀疏核主元在故障检测中的应用

朱丹1，2，范玉刚1，2，邹金慧1，2，吴建德1，2，黄国勇1，2

1.昆明理工大学信息工程与自动化学院，昆明 650500
2.云南省矿物管道输送工程技术研究中心，昆明 650500

出版日期:2014-11-01 发布日期:2014-10-28

Application of wavelet packet energy spectrum and sparse kernel principal component in fault detection

ZHU Dan1，2, FAN Yugang1，2, ZOU Jinhui1，2, WU Jiande1，2, HUANG Guoyong1，2

1.Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China
2.Engineering Research Center for Mineral Pipeline Transportation, Kunming 650500, China

Online:2014-11-01 Published:2014-10-28

摘要/Abstract

摘要： 针对滚动轴承故障检测的问题，提出一种基于小波包能量谱-稀疏核主元的滚动轴承故障检测方法。对振动信号进行小波包分解，提取信号的能量频谱，用增量式样本基构造方法，提取能量频谱的样本基，以此样本基建立核主元模型，来分析轴承振动信号能量频谱的变化。通过实验仿真来说明此算法的有效性。

关键词: 滚动轴承, 小波包, 稀疏核主元, 故障检测

Abstract: For the problem of rolling bearing fault detection, a method of rolling bearing fault detection is proposed, which is based on wavelet packet energy spectrum and sparse kernel principal component. The vibration signal is decomposed by wavelet packet, in order to extract the energy spectrum of the signal. Then the sample base of energy spectrum is extracted through the method of incremental sample base. A kernel principal component model is built by the sample base for the analysis of the energy spectrum of the bearing vibration signal. The experimental simulation is presented to illustrate the effectiveness of the algorithm.

Key words: rolling bearing, wavelet packet, sparse kernel principal component, fault detection

朱丹1，2，范玉刚1，2，邹金慧1，2，吴建德1，2，黄国勇1，2. 小波包能量谱-稀疏核主元在故障检测中的应用[J]. 计算机工程与应用, 2014, 50(21): 224-229.

ZHU Dan1，2, FAN Yugang1，2, ZOU Jinhui1，2, WU Jiande1，2, HUANG Guoyong1，2. Application of wavelet packet energy spectrum and sparse kernel principal component in fault detection[J]. Computer Engineering and Applications, 2014, 50(21): 224-229.

[1]	赵锐，赵国伟，张娟，王强，赵杰伦，董红月，张兴忠. 改进CenterNet的高压输电线路巡检故障实时检测方法[J]. 计算机工程与应用, 2021, 57(17): 246-252.
[2]	杜小磊，陈志刚，许旭，张楠. 改进深层小波自编码器的轴承故障诊断方法[J]. 计算机工程与应用, 2020, 56(5): 263-269.
[3]	唐魏，郑源，潘虹，徐晶珺. 引入动态调节学习率的SAE轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(20): 264-269.
[4]	杨宇，曾国辉，黄勃. 基于双树复小波包和改进SVM的轴承故障诊断[J]. 计算机工程与应用, 2020, 56(17): 231-235.
[5]	车建国，赵赛. 基于数据深度的过程工业故障检测方法[J]. 计算机工程与应用, 2020, 56(1): 265-271.
[6]	周剑飞，刘晨. 基于LSTM的设备故障在线检测方法[J]. 计算机工程与应用, 2020, 56(1): 272-278.
[7]	高明哲1，许爱强1，许晴2. SL-SMOTE和CS-RVM结合的电子设备故障检测方法[J]. 计算机工程与应用, 2019, 55(4): 185-192.
[8]	王灿，李凤莲，胡风云，张雪英，贾文辉. 面向特征融合的脑卒中脑电信号分类方法[J]. 计算机工程与应用, 2019, 55(24): 154-158.
[9]	曹浩，陈里里，司吉兵，任君兰. 奇异值分解和稀疏自编码器的轴承故障诊断[J]. 计算机工程与应用, 2019, 55(20): 257-262.
[10]	陈景霞，郑茹，贾小云，张鹏伟. 共空间模式结合小波包分解的脑电情感分类[J]. 计算机工程与应用, 2019, 55(1): 149-153.
[11]	陈龙，李涛，徐啸峰. 基于概率密度函数的时滞依赖故障检测与诊断[J]. 计算机工程与应用, 2018, 54(6): 257-263.
[12]	张钰1，陈珺1，王晓峰2，刘飞1，周文晶2，王志国1. 随机森林在滚动轴承故障诊断中的应用[J]. 计算机工程与应用, 2018, 54(6): 100-104.
[13]	孙贤明，樊晓光，禚真福，丛伟，陈少华. 综合时频域及核判别分析的两级特征提取新方法[J]. 计算机工程与应用, 2018, 54(3): 115-119.
[14]	刘文培1，李凤莲1，张雪英1，田玉楚1，2. 面向人脸识别的WPD-HOG金字塔特征提取方法[J]. 计算机工程与应用, 2018, 54(22): 150-155.
[15]	边维1，邓凯2，王建才2，张淑舫1. 面向弹载计算机的BIT技术研究[J]. 计算机工程与应用, 2018, 54(17): 231-237.