Stacked Inexact Augmented Lagrangian Multiplier with Sparse and Low-Rank Matrix Decomposition: A Novel Low Sampling Vibration Signal Denoising Strategy for Enhancing Feature Quality to Predict Health State of Bearings Using Machine Learning Model

In diesem Artikel wird eine neue Strategie zur Denoziation von Vibrationssignalen mit geringer Abtastung vorgestellt, um die Funktionsqualität zur Vorhersage des Gesundheitszustands von Lagern mithilfe von maschinellem Lernen zu verbessern. Die vorgeschlagene Methode kombiniert einen gestapelten ungenauen erweiterten Lagrange-Multiplikator (ALM) mit spärlicher und niedriger Matrix-Zersetzung (SLD), um die Beschränkungen traditioneller Denozialisierungstechniken zu beheben. Der Artikel beginnt mit der Betonung der Bedeutung von Asynchronmotoren und der entscheidenden Rolle von Lagern in ihrem Betrieb. Anschließend werden die Herausforderungen traditioneller Denozialisierungsmethoden wie Wavelet Transform (WT), Empirical Mode Decomposition (EMD) und Singular Value Decomposition (SVD) diskutiert, die mit Daten niedriger Abtastrate zu kämpfen haben. Die vorgeschlagene ALM-unterstützte SLD-Methode wird als Lösung für diese Herausforderungen eingeführt und bietet ein robustes Rahmenwerk zur Denozialisierung von Signalen unter Beibehaltung wesentlicher fehlerbezogener Merkmale. Der Artikel stellt einen umfassenden Vergleich der vorgeschlagenen Methode mit den modernsten Entschärfungstechniken dar und demonstriert ihre überlegene Leistung bei der Verbesserung der Merkmalsqualität und der Verbesserung der Genauigkeit von Lagergesundheitsprognosen. Experimentelle Ergebnisse und detaillierte Analysen werden bereitgestellt, um die Wirksamkeit der vorgeschlagenen Methodik zu bestätigen. Der Artikel schließt mit der Diskussion der Auswirkungen der Ergebnisse auf industrielle Anwendungen und zukünftige Forschungsrichtungen.