Sparse classification of rotating machinery faults based on compressive sensing strategy

ماشین دوار به طور جدی در فرآیند تولید قرار دارد و از اجزای مختلفی که دارای سوء عملکرد هستند تشکیل شده است. ایمنی و عملکرد پایدار الزاما شناسایی زودهنگام گسل های بالقوه است. شناسایی خطاها و طبقه بندی برای ماشین های دوار در این مطالعه با استفاده از داده های نظارت گسترده گسترش یافته است. یک استراتژی طبقه بندی بازنمایی برای گسل های ماشین آلات چرخشی براساس نظریه جدید حساسیت فشاری که با تمرکز بر استخراج و طبقه بندی ویژگی های خطا از طریق نمایندگی نادر همراه با نقشه برداری کاهش تصادفی اندازه گیری شده است، توسعه یافته است. ویژگی های اصلی یک سیگنال ارتعاش با استفاده از تعداد کمی از پیش بینی های تصادفی و فرهنگ لغت یادگیری بیش از حد نمونه گیری شده و حفظ می شوند و سپس به صورت کمی نشان داده می شوند. اطلاعات ضربان سیگنال خطا از طریق یک استراتژی بهینه سازی با ترویج اسپاسم تعیین می شود. یک نورد غلتکی به عنوان مثال در مطالعه با شبیه سازی و آزمایشات استفاده می شود که نشان می دهد که ویژگی های خطا می تواند به طور مستقیم از تعداد کمی از پیش بینی های تصادفی بدون بازسازی سیگنال ارتعاش به طور کامل و حداقل مورد نیاز فرکانس مشخصه گسل مشخص شود.