《表2 变分模态分量Ui的峭度值和相关系数》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于终止准则改进K-SVD字典学习的稀疏表示特征增强方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

图6a为外圈故障轴承振动信号经过归一化处理后的时域波形图，由于故障尺寸较小，振动能量较微弱，导致信号中的冲击成分被噪声等其他干扰成分所淹没。根据轴承故障振动特性，对振动信号进行高通滤波及包络谱分析，由图6b所示的包络谱中可以发现，故障特征频率淹没在其他干扰频率中，无法识别出故障状态。因此，基于稀疏表示策略对外圈故障信号进行特征增强处理，表2为VMD分解后各分量相关系数与峭度值，选取U6为最优分量。得到特征增强结果如图7所示，从图中可以有效提取轴承的微弱故障特征，实现故障状态的准确识别。