【自适应稀疏度量方法和RQAM】疏度测量、RQAM特征、AWSPT和基于AWSPT的稀疏度测量研究（Matlab代码实现）

阿里云国内75折回扣微信号：monov8

阿里云国际，腾讯云国际，低至75折。AWS 93折免费开户实名账号代冲值优惠多多微信号：monov8 飞机：@monov6

欢迎来到本博客❤️❤️

博主优势博客内容尽量做到思维缜密逻辑清晰为了方便读者。

⛳️座右铭行百里者半于九十。

本文目录如下

目录

1 概述

2 运行结果

3 参考文献

4 Matlab代码实现

1 概述

这是一份关于一些经典和新的稀疏度量方法包括峰度、基尼指数、负熵、Lp/Lq范数、p-q均值、GI2、GI3、广义基尼指数、Box-cox稀疏度量等。还介绍了自适应稀疏度量方法和RQAM统计特征等更多功能。

这些是稀疏性度量、自适应加权信号预处理技术、自适应稀疏性度量和 RQAM 特征的代码。以基于西安大轴承数据集2-3的图解作为实现示例。

论文[1]是对稀疏性措施的理论研究并在论文[1]中给出了新的框架RQAM。论文 [2]是一种相关的新方法它使稀疏性措施能够同时实现明确的早期故障检测和单调退化评估。论文 [3-4] 是使用 RQAM 生成的新的稀疏性度量。我相信通过使用 RQAM 可以轻松生成新的稀疏性度量。

值得指出的是已经有新的期刊论文发表其技术路线/基础与作品高度相关[1]和[2]。在这些已发表的论文中开发了一些新的稀疏性度量和RUL预测方法。

[1] 侯斌王丹夏涛王彦赵彦徐国强机器状态监测准算术方法研究机械系统信号处理. 151 2021 107451. Redirecting

[2] 侯斌王丹王彦闫彤彭志 K.-L.Tsui用于机器健康监测的自适应加权信号预处理技术IEEE Trans. Instrum。测量 70 2021 1–11。Adaptive Weighted Signal Preprocessing Technique for Machine Health Monitoring | IEEE Journals & Magazine | IEEE Xplore

[3] 侯斌王丹闫彤王彦彭志 K.-L.Tsui基尼指数II.和III.两种新的稀疏性措施及其在机器状态监测中的应用IEEE/ASME Trans.机电一体化。4435 (2021) 1–1.Gini Indices II and III: Two new Sparsity Measures and Their Applications to Machine Condition Monitoring | IEEE Journals & Magazine | IEEE Xplore

[4] 侯斌王丹夏彤 L. Xi Z. Peng K. Tsui 广义基尼指数用于机器状态监测的Box-Cox稀疏性测量的补充稀疏性措施机械系统信号过程。 169 2022 108751. Redirecting

2 运行结果

部分代码

FeatureVect(:,i) = RQAMfeature(SE,HealthySignal); % % It returns the adaptive
% SM feature vector whose length =11 and RQAM feature whose length is
% also 12. So, FeatureVect(1:12,i) is adaptive SM feature vector,
% FeatureVect(13:end,i) is RQAM feature vector

end
%% Plot SM features for machine condition monitoring
figure,
for i = 1:12
subplot(3,4,i), plot(SparMeaVect(i,:))
end

%% Adaptive SM features for machine condition monitoring
figure,
for i = 1:12
subplot(3,4,i), plot(FeatureVect(i,:))
end

%% RQAM features for machine condition monitoring
figure,
for i = 1:11
subplot(3,4,i), plot(FeatureVect(12+i,:))
end