-
题名基于迭代增强变分模态提取的滚动轴承复合故障诊断
被引量：4
- 1
-
-
作者
张家军
马萍
张海
张宏立
-
机构
新疆大学电气工程学院
新疆大学工程训练中心
-
出处
《振动与冲击》
EI
CSCD
北大核心
2024年第7期255-265,共11页
-
基金
国家自然科学基金(52065064,52267010)
新疆维吾尔自治区自然科学基金(2022D01E33,2022D01C367)。
-
文摘
针对变分模态提取对多分量复合故障提取能力不足,且存在中心频率和平衡因子两个超参数优化等问题,提出了一种迭代增强变分模态提取(iterative enhanced variational mode extraction,IEVME)的滚动轴承复合故障诊断新方法。首先,提出引入中心频率趋势收敛现象优化VME的初始中心频率,使其能自适应寻找合适的初始中心频率进行提取并加入新的收敛准则对信号进行迭代提取的迭代变分模态提取方法(iterative variational mode extraction,IVME);然后,通过优化IVME的平衡因子得到多个分量信号,再利用图拉普拉斯能量指数选取最优分量进行重构;接着,为全面提取复合故障信号中的主要周期,提出了结合加强运算减去运算的增强最小噪声幅值解卷积(enhanced minimum noise amplitude deconvolution,EMNAD)方法,以降低噪声并增强相对较弱的周期信号;最后,通过融合平方包络谱实现对滚动轴承的复合故障诊断。将所提方法应用到滚动轴承复合故障诊断中,通过仿真和实例信号验证所提IEVME方法的有效性和鲁棒性,并将所提方法与现有多种方法进行对比,结果表明所提IEVME方法准确性更高,效果更优。
-
关键词
滚动轴承
迭代增强变分模态提取(ievme)
增强最小噪声幅值解卷积(EMNAD)
复合故障诊断
-
Keywords
rolling bearing
iterative enhanced variational mode extraction(ievme)
enhanced minimum noise amplitude deconvolution(EMNAD)
composite fault diagnosis
-
分类号
TH133.33
[机械工程—机械制造及自动化]
-
-
题名基于交叉小波变换与改进变分模态分解的联合去噪方法
被引量：11
- 2
-
-
作者
王鹏博
刘自然
刘玉明
吕振礼
-
机构
河南工业大学机电工程学院
-
出处
《机电工程》
CAS
北大核心
2023年第2期292-298,共7页
-
基金
河南省自然科学基金资助项目(182300410234)。
-
文摘
轴承早期的故障信号容易被噪声所淹没,导致其故障特征难以被提取,为此,提出了一种基于交叉小波变换(XWT)与改进变分模态分解(IVMD)联合去噪的信号处理方法。首先,对双通道的原始信号进行了XWT处理,得到了小波相干谱,通过包络谱曲线确定了最佳模态数K;将传统VMD优化为IVMD,利用IVMD将两个通道中峭度值较大的信号分解成为多个固有模态分量(IMFs),再对每个IMF与峭度值较大的信号进行XWT处理;然后,将得到的小波相干谱图与双通道原始信号的小波相干谱图进行了比较,从原始信号中去除了识别出的噪声分量,实现了降噪和故障特征增强的目的;最后,利用K邻近(KNN)算法进行了滚动轴承故障分类,其故障识别率达到了97.51%,与IVMD、VMD-XWT方法相比,该方法故障识别率分别提高了10.83%、4.62%。研究结果表明:该方法可以明显降低噪声干扰,能更好地提取轴承早期的故障信息。
-
关键词
滚动轴承故障诊断
故障特征提取
降噪
故障特征增强
交叉小波变换
改进变分模态分解
K邻近算法
固有模态分量
-
Keywords
rolling bearing fault diagnosis
fault feature extract
noise reduction
fault feature enhancement
cross wavelet transform(XWT)
improved variational modal decomposition(IVMD)
K-nearest neighbor(KNN)algorithm
intrinsic mode components(IMFs)
-
分类号
TH113.3
[机械工程—机械设计及理论]
TH17
[机械工程—机械制造及自动化]
-
