SOSO Boosting of the K-SVD Denoising Algorithm for Enhancing Fault-Induced Impulse Responses of Rolling Element Bearings

Boosting(机器学习) 奇异值分解 脉冲(物理) 残余物 降噪 算法 噪音(视频) 计算机科学 模式识别(心理学) 数学 人工智能 物理 图像(数学) 量子力学
作者
Ming Zeng,Zhen Chen
出处
期刊:IEEE Transactions on Industrial Electronics [Institute of Electrical and Electronics Engineers]
卷期号:67 (2): 1282-1292 被引量:39
标识
DOI:10.1109/tie.2019.2898583
摘要

The key to successful detection of a localized bearing fault lies in extracting fault-induced impulse responses. Unfortunately, these responses are often contaminated by background noise. The popular K-singular value decomposition (K-SVD) denoising algorithm can be used to extract impulse responses from noise, but it may obtain weak impulse responses against reliable fault detection. An SOSO boosting technique is proposed to improve the performance of the K-SVD denoising algorithm. Given an initial denoised signal, this paper proposes iteratively repeating the following SOSO boosting procedure: 1) Strengthen the underlying signal by adding the previous denoised signal to the noisy input signal; 2) Operate the K-SVD denoising algorithm on the strengthened signal; 3) Subtract the previous denoised signal from the restored signal-strengthened outcome; and 4) Operate the modified K-SVD denoising algorithm again on the resulting signal after the subtraction. The last step, i.e., the secondary denoising step, plays a crucial role in preventing the enhancement of the residual noise that originates from the first denoised result. The results of numerical and experimental studies show that the SOSO-based K-SVD denoising algorithm not only enhances weak impulse responses significantly but also reduces potential residual noise effectively compared to the SOS-based and the original K-SVD denoising algorithms.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
刚刚
毫米发布了新的文献求助10
1秒前
窝窝头发布了新的文献求助10
2秒前
高大雁兰完成签到,获得积分10
3秒前
孤鸿.完成签到 ,获得积分10
3秒前
清森完成签到 ,获得积分10
4秒前
5秒前
5秒前
boralia关注了科研通微信公众号
6秒前
一木完成签到,获得积分10
6秒前
findmoon发布了新的文献求助20
6秒前
雪糕发布了新的文献求助150
7秒前
9秒前
机灵不评发布了新的文献求助10
9秒前
10秒前
Keymo完成签到,获得积分10
11秒前
11秒前
小豆子完成签到 ,获得积分10
12秒前
13秒前
14秒前
15秒前
15秒前
15秒前
15秒前
Zzz_Carlos完成签到,获得积分10
16秒前
16秒前
17秒前
18秒前
19秒前
所所应助zzc采纳,获得10
19秒前
boralia发布了新的文献求助10
19秒前
静静完成签到,获得积分10
19秒前
赘婿应助zzbbzz采纳,获得10
19秒前
柳听白发布了新的文献求助10
20秒前
从容的巧曼完成签到 ,获得积分10
20秒前
20秒前
xyj6486发布了新的文献求助10
22秒前
大男完成签到,获得积分10
23秒前
CipherSage应助高大雁兰采纳,获得10
23秒前
高分求助中
Evolution 10000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Distribution Dependent Stochastic Differential Equations 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3158072
求助须知:如何正确求助?哪些是违规求助? 2809436
关于积分的说明 7881999
捐赠科研通 2467898
什么是DOI,文献DOI怎么找? 1313783
科研通“疑难数据库(出版商)”最低求助积分说明 630538
版权声明 601943