کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5006750 1461484 2017 70 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Atomic decomposition and sparse representation for complex signal analysis in machinery fault diagnosis: A review with examples
ترجمه فارسی عنوان
تجزیه اتمی و نمایش ضعیف برای تجزیه و تحلیل سیگنال پیچیده در تشخیص خطای ماشین: بررسی با نمونه
کلمات کلیدی
تشخیص گسل، نمایندگی انحصاری، تجزیه اتمی، فرهنگ لغت،
ترجمه چکیده
تجزیه و تحلیل سیگنال پیچیده یک موضوع کلیدی در تشخیص خطاهای ماشین آلات است. برای سیگنال های چند جزء پیچیده ای از محتویات مورفولوژیکی مختلف، روش پردازش سیگنال مبتنی بر بنیادی که معمولا استفاده می شود، دارای سازگاری و انعطاف پذیری نیست، بنابراین برای استخراج اطلاعات معنی دار تعبیه شده ناکارآمد است. نمایندگی سیگنال انعطاف پذیر دارای سازگاری عالی و انعطاف پذیری بالا در توصیف سیگنال های پیچیده دلخواه بر اساس تجزیه اتمی در مورد فرهنگ لغات بیش از حد کامل و از این رو از محدودیت های تحمیل شده از طریق مقطع مستطیلی آزاد است و ارائه یک رویکرد موثر برای استخراج ویژگی از سیگنال های پیچیده برای ماشین آلات تشخیص خطا در این مقاله یک بررسی سیستماتیک در مورد نمایش سیگنال ضعیف به ویژه در مورد دو موضوع کلیدی ارائه می شود، یعنی الگوریتم های تجزیه ی اتمی (نظیر پیگیری حریص، تنظیم مقررات لپه و انقباض تکراری / آستانه سازی) و روش های طراحی فرهنگ لغت (از جمله طراحی فرهنگ لغت دینی و یادگیری فرهنگی) در بیش از 70 مقاله نمایشی منتشر شده از سال 1990. اصول اساسی، مزایا و معایب آنها و برنامه های کاربردی برای تشخیص خطاهای ماشین آلات مورد بررسی قرار گرفته است. بعضی از نمونه ها برای نشان دادن عملکرد آنها ارائه شده است.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
پیش نمایش مقاله
تجزیه اتمی و نمایش ضعیف برای تجزیه و تحلیل سیگنال پیچیده در تشخیص خطای ماشین: بررسی با نمونه
چکیده انگلیسی
Complex signal analysis is a key topic in machinery fault diagnosis. For complex multi-component signals of various morphological contents, the commonly used basis expansion based signal processing method lacks adaptability and flexibility, thus being ineffective to extract the embedded meaningful information. Sparse signal representation has excellent adaptability and high flexibility in describing arbitrary complex signals based on atomic decomposition over redundant and over-complete dictionary, thus being free from the limitations imposed by orthogonal basis, and providing an effective approach to feature extraction from intricate signals for machinery fault diagnosis. This paper presents a systematic review on sparse signal representation, especially on two key topics, i.e. atomic decomposition algorithms (such as greedy pursuit, lp norm regularization and iterative shrinkage/thresholding) and dictionary design methods (including analytic dictionary design and dictionary learning) reported in more than 70 representative articles published since 1990. Their fundamental principles, advantages and disadvantages, and applications to machinery fault diagnosis, are examined. Some examples are provided to illustrate their performance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Measurement - Volume 103, June 2017, Pages 106-132
نویسندگان
, , , , ,