技术特征：
技术总结
本发明公开一种基于学习字典与奇异值分解的滚动轴承故障识别方法，可以在某一程度故障数据学习训练的基础上实现对其他程度故障类型的识别，利用K‑SVD算法训练某单一故障程度下各故障类型信号的学习字典，并将得到的各类型学习字典组合成新字典，采用奇异值分解对待测故障数据进行去噪处理，同时构建去噪数据的测试样本集，之后求解该测试样本集在组合字典下的稀疏表示系数矩阵，根据其中非零系数在各故障类型区域的分布概率进行轴承故障类型的识别判断。该方法可以有效识别其他故障程度下的故障类型，而且训练过程无需大量的轴承故障数据，训练过程计算量小，所用时间较短，而且识别的准确度高，简单易行。
技术研发人员：时培明;马晓杰;韩东颖
受保护的技术使用者：燕山大学
技术研发日：2019.06.20
技术公布日：2019.10.18