-
题名自相关去噪和经验模态分解的轴承故障分析
被引量：8
- 1
-
-
作者
王林军
刘晋玮
杜义贤
-
机构
三峡大学机械与动力学院
-
出处
《组合机床与自动化加工技术》
北大核心
2019年第9期97-101,共5页
-
基金
国家自然科学基金资助项目(51775308)
-
文摘
为提取滚动轴承故障诊断中的信号,给出一种分离故障信号的新方法。该方法先对原始信号进行自相关去噪,再对去噪信号进行经验模态分解(EMD),得到各个本征模态函数(IMF),计算各个本征模态与去噪信号的相关系数。选择相关系数绝对值较大的本征模态进行重构,再对其去噪。最后对IMF重构信号进行包络谱分析,可以清晰地看到故障特征频率。通过仿真分析和两种不同轴承试验结果表明,所提出的方法可以有效地抑制噪声,并能得到反映实际故障信息的信号。
-
关键词
经验模态分解
自相关去噪
轴承故障分析
相关系数
特征提取
-
Keywords
empirical mode decomposition
autocorrelation denoising
faultanalysis of bearing
correlation coefficient
feature extraction
-
分类号
TH133.3
[机械工程—机械制造及自动化]
TG506
[金属学及工艺—金属切削加工及机床]
-
-
题名基于SVD-CEEMDAN和KLD的轴承故障分析
被引量：2
- 2
-
-
作者
刘洋
王林军
李立军
陈保家
徐洲常
蔡康林
-
机构
三峡大学水电机械设备设计与维护湖北省重点实验室
三峡大学机械与动力学院
-
出处
《机床与液压》
北大核心
2022年第17期195-199,共5页
-
基金
国家自然科学基金项目(51975324)
2021年三峡大学研究生课程建设项目(SDKC202108)。
-
文摘
针对滚动轴承信号去噪及故障特征提取问题,提出一种基于SVD-CEEMDAN和KLD的滚动轴承故障诊断方法。该方法通过奇异值分解(SVD)对原始信号进行初步去噪,再利用完备集合经验模态分解(CEEMDAN)对去噪后的非平稳振动信号进行自适应分解,得到若干本征模态函数(IMF);然后通过KL散度法(KLD)筛选有效本征模态函数(IMF)重构,再对其进行自相关去噪;最后利用包络谱分析处理去噪信号,提取故障特征频率。通过对轴承实测信号进行分析,该方法可有效抑制噪声,并能清晰地得到反映实际故障信息的信号,证实所提出方法的实用性和有效性。
-
关键词
轴承故障分析
特征提取
SVD
CEEMDAN
KLD
-
Keywords
Fault analysis of bearing
Feature extraction
SVD
CEEMDAN
KLD
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TN911.7
[电子电信—通信与信息系统]
-
-
题名基于SVD和VMD的轴承微弱故障特征提取及分析
被引量：6
- 3
-
-
作者
蔡康林
王林军
徐洲常
刘洋
陈保家
-
机构
三峡大学水电机械设备设计与维护湖北省重点实验室
三峡大学机械与动力学院
-
出处
《组合机床与自动化加工技术》
北大核心
2022年第4期70-73,78,共5页
-
基金
国家自然科学基金青年基金项目(51975324)。
-
文摘
针对轴承微弱故障时冲击信号含有大量噪声且难以提取故障特征频率问题,提出了一种基于奇异值分解(SVD)和变分模态分解(VMD)的轴承故障特征提取方法。该方法先对原始信号进行SVD去噪;再对去噪信号进行VMD分解,得到各个本征模态函数(IMF),根据最大中心频率原则和各个本征模态与去噪信号的相关系数差值确定分解个数,通过加权峭度指标来筛选IMF分量进行重构;最后通过对IMF重构信号进行包络谱分析清晰看到故障特征频率。仿真分析和两种不同轴承试验的结果表明,所提出的方法可有效地抑制噪声,并能得到反映实际故障信息的信号。
-
关键词
变分模态分解
加权峭度
轴承故障分析
特征提取
奇异值降噪
-
Keywords
variational mode decomposition
weighted kurtosis
bearing fault analysis
feature extraction
singular value denoising
-
分类号
TH133.3
[机械工程—机械制造及自动化]
TG113
[金属学及工艺—物理冶金]
-
-
题名基于WTD和CEEMD的轴承故障特征提取方法
被引量：3
- 4
-
-
作者
邹腾枭
王林军
刘洋
蔡康林
陈保家
-
机构
三峡大学水电机械设备设计与维护湖北省重点实验室
三峡大学机械与动力学院
-
出处
《机床与液压》
北大核心
2023年第11期194-198,共5页
-
基金
国家自然科学基金面上项目(51975324)。
-
文摘
针对轴承故障信号常混有噪声干扰且故障特征难以准确提取问题,提出一种基于小波阈值去噪(WTD)和互补集合经验模态分解(CEEMD)的轴承故障特征提取方法。采用WTD对原始信号进行降噪预处理;对去噪信号进行CEEMD分解得到一系列本征模态函数(IMF);然后计算各个IMF和去噪信号的互相关系数,通过设定互相关系数阈值筛选有用IMF;最后将有用IMF重构并利用包络谱对重构信号提取故障特征频率。实测信号表明:所提出的方法能降低噪声干扰并有效提取故障特征信息,证明该方法在噪声环境下具有较高的可行性和较强的实用性。
-
关键词
小波阈值去噪
互补集合经验模态分解
互相关系数
轴承故障分析
-
Keywords
Wavelet threshold denoising(WTD)
Complementary ensemble empirical mode decomposition(CEEMD)
Cross-correlation coefficient
Bearing fault analysis ecomposition(CEEMD)
Cross-correlation coefficient
Bearing fault analysis
-
分类号
TH133.33
[机械工程—机械制造及自动化]
-
