来源：期刊VIP网 时间：
作者：曾少晶;杨波;
单位：河南物流职业学院物流信息工程学院;河南科技大学机械工程学院;
摘要：轴承故障信号识别经常受到各种噪音的影响，传统K奇异值分解(K-Singular value decomposition, K-SVD)算法在稀疏表示中效果较差，通过终止准则对进K-SVD字典学习优化，设计了基于改进K-SVD稀疏表示的轴承微弱故障信号特征处理方法。将终止准则当作字典更新收敛条件，采取正交匹配追踪算法进行稀疏求解，以包络谱形式实施分析，达成对微弱故障特征的提取目标。仿真信号结果表明，添加噪声信号时域图难以对特征频率实施精准提取。通过改进K-SVD算法来学习该分量特征信息有着明显的冲击特征，通过重构误差的波动状况对更新收敛性验证。试验结果结果表明，故障特征频率被其它频率掩盖，导致故障状态难以被有效辨别。本文方法实现对微弱故障特征的高效提取，精准判断故障状态。
关键词：轴承;;稀疏表示;;故障特征;;K奇异值分解;;终止准则
基金资助：国家自然科学基金资助项目(51775157)
