Sparse classification based on dictionary learning for planet bearing fault identification

ارتعاشات سیاره ای با توجه به سینماتیک پیچیده و اثرات مدولاسیون چندگانه، پیچیدگی بالایی دارد. این مسئله در شناسایی خطاهای سیاره نگهدارنده منجر به مشکل می شود. به منظور غلبه بر این مشکل، یک چارچوب طبقه بندی ضعیف بر اساس یادگیری فرهنگی پیشنهاد شده است. این عمل به طور مستقیم بر روی سیگنال های خام انجام می شود و از مراحل درگیر در شناسایی الگوی معمولی مانند طراحی ویژگی که نیاز به تخصص قبلی دارد، رایگان است. اول، یک ماتریس سیگنال خام است با پارتیشن بندی سیگنال خام به بخش، که در آن هر بخش در تمام کشورهای سیگنال به همان تعداد از نقاط داده های تولید شده، و طول قطعه باید که حداقل دو انگیزه گسل های مجاور با حداکثر فاصله را تضمین می تواند رخ دهد. سپس، یک فرهنگ لغت آغاز شده با مجموعه نمونه های آموزشی، از ماتریس سیگنال گرفته می شود، که بر اساس آن بازنمایی نزولی پس از آن انجام می شود. یک فرهنگ لغت در سیگنالهای تحت یک حالت مشخص یادآوری شده است، بهتر است برای بازسازی سیگنال در حالت یکسان مناسب باشد، اما نمیتواند سیگنالها را در سایر حالتها نیز بازیابی کند. با الهام از این واقعیت، طبقه بندی کمی را می توان با مقایسه خطاهای بازیابی سیگنال در لغت نامه ها در حالت های مختلف انجام می شود. روش پیشنهادی با استفاده از داده های تجربی یک گیربکس سیاره ای تأیید شده است. گسل های محلی بر روی مسابقه بیرونی، عناصر غلتکی و درونی نژاد بلبرینگ سیار با موفقیت شناسایی می شوند.