-
题名基于优化小波阈值的轴承振动信号降噪算法
被引量：2
- 1
-
-
作者
覃坚
费太勇
曲智国
张逸楠
-
机构
空军预警学院
-
出处
《现代防御技术》
北大核心
2023年第2期141-147,共7页
-
文摘
滚动轴承振动信号能够及时准确地提供机电设备状态特征信息,且可实现在线或离线监测,广泛用于滚动轴承故障诊断。由于滚动轴承工作环境复杂多变,往往掺杂较多噪声,噪声会淹没机电设备状态的有用特征信息。针对传统小波阈值函数对轴承信号降噪不明显的问题,提出了一种用于轴承振动信号降噪的差分进化优化小波软阈值算法,对含噪信号进行小波分解,利用广义交叉验证GCV函数作为新的阈值函数对分解后的小波系数进行处理,结合差分进化算法进行寻优获取最优阈值。实验采用美国凯斯西储大学的轴承数据进行仿真分析,通过与常用降噪方法相比,该方法在较好地保留特征信号的前提下,较大程度地去除了噪声,有效地提高了降噪效果。
-
关键词
故障诊断
滚动轴承振动信号
噪声
小波阈值法
差分进化算法
GCV函数
-
Keywords
fault diagnosis
rolling bearing vibration signal
noise
wavelet thresholding method
differential evolution(DE)algorithm
generalized cross-validation(GCV)function
-
分类号
TH133.1
[机械工程—机械制造及自动化]
TN957.81
[电子电信—信号与信息处理]
TP391.9
[自动化与计算机技术—计算机应用技术]
TJ0
[兵器科学与技术—兵器发射理论与技术]
-
-
题名基于S变换与奇异值中值分解的滚动轴承故障诊断
被引量：5
- 2
-
-
作者
字玉
周俊
-
机构
昆明理工大学机电工程学院
-
出处
《机电工程》
CAS
北大核心
2022年第7期949-954,共6页
-
基金
国家重点研发计划重点专项项目(2018YFB1306100)
国家自然科学基金资助项目(51875272,52065030)。
-
文摘
为了有效地提取出滚动轴承故障信号的冲击特征,提出了一种基于S变换时频谱和奇异值中值分解(SVMD)算法的滚动轴承故障诊断方法。首先,利用S变换对滚动轴承原始振动信号进行了时频变换,得到了其时频系数矩阵,通过SVMD对时频系数矩阵进行了计算,筛选出合适的奇异值用以降噪;然后,通过仿真的方式,对结果进行了S逆变换,以获得信号的时域冲击特征;最后,以滚动轴承(型号N205)外圈、滚动体故障为例,进行了故障信号冲击特征提取实验,通过对轴承的外圈和滚动体故障数据分析处理,对基于ST-SVMD算法的有效性进行了验证。研究结果表明:通过采用基于ST-SVMD算法,得到了滚动轴承外圈的故障频率,该频率与该型号轴承特征频率基本一致;基于ST-SVMD算法,得到了滚动轴承滚动体的故障频率,该频率与该型号轴承特征频率基本一致;该结果证明,基于ST-SVMD算法在滚动轴承故障信号冲击特征的提取方面是有效的。
-
关键词
滚动轴承振动信号
故障频率
S变换
奇异值中值分解
冲击特征提取
信号降噪处理
-
Keywords
bearing failure vibration signal
fault frequency
S transform(ST)
singular value median decomposition(SVMD)
impact characteristics extraction
signal noise reduction
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TH17
[机械工程—机械制造及自动化]
-
-
题名基于增强层次注意熵和极限学习机的轴承故障检测方法
被引量：5
- 3
-
-
作者
朱文轩
张书维
王琳
-
机构
江苏安全技术职业学院机械工程学院
-
出处
《机电工程》
CAS
北大核心
2023年第12期1857-1868,共12页
-
基金
江苏省高等学校自然科学研究项目(19KJD440002)。
-
文摘
采用传统诊断模型进行轴承故障识别时,需要设置较多的超参数,且参数对模型性能的影响较大。针对这一问题,提出了一种基于增强层次注意熵(EHATE)和灰狼算法优化的极限学习机(GWO-ELM)的滚动轴承故障诊断模型,其中,EHATE方法用于提取滚动轴承振动信号的低频和高频特征信息,而GWO-ELM用于识别滚动轴承的故障类型。首先,基于分形理论和增强的层次分析,提出了一种能够同时测量非平稳时间序列在低频段和高频段复杂度的指标-增强层次注意熵(EHATE);随后,利用EHATE方法充分提取了滚动轴承振动信号的故障特征,实现了对不同样本故障状态进行精确表征的目的;最后,将故障特征输入至GWO-ELM分类器中,进行了滚动轴承故障类型和故障严重程度的识别,基于EHATE+GWO-ELM模型对3组滚动轴承故障数据集进行了实验,并将其与其他故障诊断方法进行了对比。研究结果表明:该故障诊断模型能够快速有效地识别滚动轴承的不同故障,3组数据集的识别准确率分别达到了100%、99.2%和96.92%,在识别准确率和特征提取效率方面优于对比方法;同时该故障诊断模型在特征提取阶段仅需要设置单个参数,且该参数对模型的识别准确率影响非常小。该研究结果可以为滚动轴承的故障诊断提供新的视角和方案。
-
关键词
增强层次注意熵
极限学习机
灰狼算法优化
故障特征提取
故障类型识别
滚动轴承振动信号
-
Keywords
enhanced hierarchical attention entropy(EHATE)
extreme learning machine(ELM)
gray wolf algorithm optimize(GWO)
fault feature extraction
fault type identification
rolling bearing vibration signals
-
分类号
TH133.33
[机械工程—机械制造及自动化]
-
