Fine-Grained Fault Diagnosis Method of Rolling Bearing Combining Multisynchrosqueezing Transform and Sparse Feature Coding Based on Dictionary Learning

CONTENIDO PARA USUARIOS REGISTRADOS

Inicia sesión para disfrutar este recurso. Si aún no estás afiliado a BibloRed, haz clic en el botón.

Descripción: Para diagnosticar con precisión la falla de grano fino de un rodamiento de rodillos, este artículo propuso un nuevo método de diagnóstico de fallas que combina la transformación multisincrosqueezing (MSST) y la codificación de características dispersas basada en el aprendizaje de diccionario (SFC-DL). En primer lugar, se construyeron las imágenes de tiempo-frecuencia de alta resolución de las señales de vibración crudas, que incluyen diferentes tipos de fallas de grano fino de los rodamientos de rodillos, mediante MSST. Luego, se entrenó un diccionario base a través de la factorización de matrices no negativas con restricciones de dispersión (NMFSC), y el diccionario base entrenado se empleó para extraer características de las matrices tiempo-frecuencia utilizando ecuaciones lineales no negativas. Finalmente, se entrenó una máquina de soporte vectorial lineal (LSVM) con las características de las muestras de entrenamiento, y la LSVM entrenada se empleó para diagnosticar la clasificación de fallas de las muestras de prueba. En comparación
Citación recomendada (normas APA)
: Hindawi, "Fine-Grained Fault Diagnosis Method of Rolling Bearing Combining Multisynchrosqueezing Transform and Sparse Feature Coding Based on Dictionary Learning", -:Revista VirtualPRO,, 2019. Consultado en línea en la Biblioteca Digital de Bogotá (https://www.bibliotecadigitaldebogota.gov.co/resources/3938926/), el día 2025-06-16.

Información adicional