-
题名组稀疏低秩矩阵估计的变转速滚动轴承故障特征提取
- 1
-
-
作者
王冉
张军武
余亮
-
机构
上海海事大学物流工程学院
上海交通大学机械系统与振动国家重点实验室
-
出处
《振动与冲击》
EI
CSCD
北大核心
2023年第16期92-100,119,共10页
-
基金
国家自然科学基金(51505277
12074254)
+1 种基金
上海市自然科学基金(21ZR1434100)
机械系统与振动国家重点实验室自主课题(MSVZD202201)。
-
文摘
早期轴承故障特征的有效提取对于避免严重机械事故具有重要的意义。表征轴承故障的脉冲信号往往淹没在强背景噪声干扰中,并且轴承常常在变转速工况下运行,这使故障特征的提取较为困难。针对这一问题,提出一种用于变转速工况下滚动轴承故障特征提取的组稀疏低秩矩阵估计算法。首先,根据变转速工况下轴承故障脉冲信号的角度时间循环平稳特性,利用阶频谱相关(order-frequency spectral correlation, OFSC)将测量信号转换至阶频域中;其次,揭示了轴承故障脉冲在阶频域中的组稀疏性和低秩性,并据此构建一种凸优化问题来增强这两种特性,引入非凸罚函数来提高故障特征的稀疏性;再次,在交替方向乘子法(alternating direction method of multipliers, ADMM)和优化最小化(majorization-minimization, MM)框架下求解该凸优化问题,推导出组稀疏低秩(group sparse low-rank, GSLR)矩阵估计算法;最后,通过构建增强包络阶次谱(enhanced envelope order spectrum, EEOS)对求解得到的目标分量进行故障特征检测。仿真和试验信号的分析验证了该方法在故障特征提取中的有效性。
-
关键词
变转速工况
组稀疏低秩(gslr)
非凸罚函数
增强包络阶次谱(EEOS)
特征提取
-
Keywords
variable speed condition
group sparse low-rank(gslr)
nonconvex penalty function
enhanced envelope order spectrum(EEOS)
feature extraction
-
分类号
TH212
[机械工程—机械制造及自动化]
TH213.3
[机械工程—机械制造及自动化]
-
-
题名基于总变分低秩组稀疏的全球雷达数据修复算法
- 2
-
-
作者
葛晨宇
董良
许伊昆
常毅
张宏鸣
-
机构
西北农林科技大学信息工程学院
-
出处
《计算机应用》
CSCD
北大核心
2021年第11期3353-3361,共9页
-
基金
国家自然科学基金面上项目(41771315)
宁夏回族自治区重点研究开发项目(2017BY067)
欧盟地平线2020研究与创新计划项目(ISQAPER:635750)。
-
文摘
针对航天飞机雷达地形测绘任务(SRTM)中存在由大量尖峰、斑点和多向条纹误差形成的混合噪声对后续应用产生严重干扰的问题,提出了一种基于总变分约束的低秩组稀疏(LRGS_TV)算法。首先,利用数据在局部范围低秩方向上的唯一性来正则化全局多方向条带误差结构,同时使用变分思想进行单向约束;其次,使用加权核范数的非局部自相似性来消除随机噪声,并结合总变分(TV)正则对数据梯度进行约束,以减小局部范围变化差值;最后,使用交替方向乘子优化对低秩组稀疏模型进行求解,从而保证了模型的收敛性。把所提算法与TV、单方向总变分(UTV)、低秩单图像分解(LRSID)和低秩组稀疏(LRGS)模型这4种算法进行定量评估的结果表明,LRGS_TV的峰值信噪比(PSNR)可以达到38.53 dB,结构相似性(SSIM)可以达到0.97,均为5种算法中的最优。同时,坡度与坡向结果表明,经LRGS_TV处理后,数据的后续应用有显著改善。实验结果表明,LRGS_TV能够在保证地形轮廓特征基本不变的情况下更好地修复原始数据,可对SRTM可靠性的提高与后续应用提供重要的支持。
-
关键词
数据修复
总变分
低秩
组稀疏
地形因子
航天飞机雷达地形测绘任务
-
Keywords
data restoration
Total Variation(TV)
low-rank
group sparsity
terrain factor
Shuttle Radar Terrain Mission(SRTM)
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于快速三因子分解和组稀疏正则化的高光谱图像去噪
被引量：2
- 3
-
-
作者
高小雨
白静远
黄扬智
宁纪锋
-
机构
西北农林科技大学信息工程学院
西北农林科技大学理学院
-
出处
《光子学报》
EI
CAS
CSCD
北大核心
2023年第4期129-147,共19页
-
基金
国家重点研发计划(No.2016YFD0200700)
国家级大学生创新创业训练项目(No.202110712185)。
-
文摘
为了有效去除高光谱图像中噪声带来的干扰,提升图像质量,在局部低秩和全局组稀疏结合的框架内提出了一种基于快速三因子分解和组稀疏正则化的去噪模型。首先,将高光谱图像分解成若干三维重叠图块并将其逐波段列化成矩阵,在快速三因子分解的框架下将这些矩阵分解为两个正交因子矩阵和一个核心矩阵,对核心矩阵添加L_(2,1)范数最小化约束;其次,对高光谱图像空间和光谱方向的梯度张量分别添加组稀疏正则化约束;最后,将低秩矩阵的三因子分解和全局组稀疏正则化结合,可以充分挖掘图像的局部低秩和稀疏的先验信息,并去除各种混合噪声。在三个数据集上与五种经典模型相比,该模型的各项评价指标更高,去噪图像保留了更多细节信息,去噪效果更好。
-
关键词
图像处理
图像去噪
高光谱图像
交替方向乘子法
局部低秩
组稀疏
-
Keywords
Image processing
Image denoising
Hyperspectral image
Alternating direction method of multiplier
Local low-rank
Group sparsity
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
