共查询到19条相似文献,搜索用时 109 毫秒
1.
将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。 相似文献
2.
3.
4.
针对伺服电动机滚动轴承故障信号受噪声干扰不易识别的问题,提出一种基于改进SVD-EEMD与Teager能量算法相结合的故障诊断方法.该方法首先用改进SVD方法进行信号降噪,随后利用集合经验模态分解(EEMD)对降噪信号进行故障特征提取,最后利用Teager能量算法对故障信号特征进行增强.实验结果表明,文中提出的方法能够... 相似文献
5.
6.
7.
8.
针对变分模式分解(Variational Mode Decomposition,VMD)算法在微弱特征分量按需提取方面存在的不足,提出采用广义变分模式分解(Generalized Variational Mode Decomposition,GVMD)算法提取滚动轴承故障微弱特征。GVMD算法具有优良的频域多尺度定频分解性能,算法频谱分解位置和频域分解尺度可由先验中心频率和尺度参数灵活控制,实现按需分解。仿真和实验分析结果表明,与VMD算法相比,GVMD算法能够充分利用轴承故障频率信息和带宽信息,按需准确提取轴承故障微弱特征分量;且具有较强的噪声鲁棒性。 相似文献
9.
10.
针对在强噪声的干扰下,滚动轴承微弱故障特征难以有效地提取的问题,提出一种基于最大2阶循环平稳盲解卷积(Maximum Second-order Cyclostationarity Blind Deconvolution,CYCBD)和包络谱相结合的微弱故障特征提取方法。首先,由故障特征频率设置合理的循环频率集,使用CY-CBD对含有强噪声的微弱故障冲击信号进行降噪处理,增强信号中的周期性冲击成分;然后,对降噪信号进行Hilbert包络谱分析来识别故障特征频率。通过仿真和实验,结果证明,该方法能有效地提取被强噪声淹没的微弱故障特征。 相似文献
11.
滚动轴承故障特征的时间—小波能量谱提取方法 总被引:14,自引:1,他引:14
振动信号中的周期性冲击现象是诊断滚动轴承各元件故障的重要依据之一,针对滚动轴承故障特征,在小波变换理论基础上提出一种时间—小波能量谱信号处理方法,它能够有效地提取出振动信号中冲击成分的时域和频域特征。利用时间—小波能量谱方法分析正常、外圈故障、内圈故障、滚珠故障等四种状态下滚动轴承的振动信号,并与传统的包络解调分析方法进行对比分析。时间—小波能量谱不仅可以有效提取出冲击特征明显的滚动轴承外圈故障,还能提取出内圈、滚珠等信号特征微弱的滚动轴承故障,而包络解调分析方法只能提取出外圈故障特征而不能提取出滚珠故障、内圈故障特征。结果表明,时间—小波能量普比包络解调分析方法更能有效地提取出振动信号中的冲击信号成分。 相似文献
12.
基于LMD-MS的滚动轴承微弱故障提取方法 总被引:1,自引:0,他引:1
轴承的早期故障信号属于微弱信号,其故障特征提取一直是旋转机械故障诊断的一大难点。笔者将掩膜法引入到局部均值分解(local mean decomposition,简称LMD)分解中,提出了一种基于LMD和掩膜法(mask signal,简称MS)的滚动轴承微弱故障提取方法。由于LMD在噪声背景下分解出的功能分量(product function,简称PF)存在模态混叠现象,很难辨别故障频率的真伪,所以引入了掩膜信号法对LMD分解出的与原信号相关性强的PF分量进行处理,抑制模态混叠现象,提取故障频率。文中以滚动轴承实际故障信号为对象进行分析,通过将掩膜信号法与LMD方法相结合的方式,对存在噪声的故障信号进行处理,将故障频率处的峭度值提高了8倍,同时将信噪比提高了19.1%,成功提取了故障信号,为故障特征提取提供一种新的诊断方法。 相似文献
13.
介绍了滚动轴承故障特点及采用共振解调技术对滚动轴承进行故障诊断的原理和特点,并在此基础之上,虚拟出了以LabVIEW为界面的故障诊断程序系统。 相似文献
14.
基于双时域微弱故障特征增强的轴承早期故障智能识别* 总被引:1,自引:0,他引:1
针对轴承早期微弱故障难以准确识别的问题,提出一种基于双时域微弱故障特征增强的轴承早期故障智能识别方法。利用广义S变换和Fourier逆变换推导出一种双时域变换,将轴承振动信号变换为双时域二维时间序列。根据双时域变换的能量分布特点,提取二维时间序列的主对角元素以构建故障特征增强的时域振动信号。仿真信号和轴承故障信号分析验证了双时域微弱故障特征增强的可行性和有效性。采用脉冲耦合神经网络和支持向量机对增强后的轴承信号进行时频特征参数提取和智能识别,平均识别精度达到了95.4%。试验结果表明所提方法能有效提高轴承早期故障的智能识别精度。 相似文献
15.
16.
基于小波包样本熵的滚动轴承故障特征提取 总被引:5,自引:0,他引:5
将样本熵引入故障诊断领域,讨论了样本熵的性能和计算参数的选择.结合小波包分解和样本熵,提出了一种新的滚动轴承故障特征提取方法.首先对轴承振动信号进行小波包分解;然后对归一化能量最大的子带进行重构,计算重构信号的样本熵;最后通过样本熵评价故障状态.滚动轴承故障诊断实例验证了该方法的有效性. 相似文献
17.
18.
S变换用于滚动轴承故障信号冲击特征提取 总被引:2,自引:0,他引:2
为从低信噪比的滚动轴承故障信号中提取出冲击特征,以便于进行轴承故障诊断,引入S变换的信号处理方法。以短时傅里叶变换(short time Fourier transform,简称STFT)以及连续小波变换(continuous wavelet transform,简称CWT)为理论基础,分别推导得出了连续S变换的定义式,并利用快速傅里叶变换(fast Fourier transform,简称FFT)实现S变换离散化计算。S变换克服了STFT时频分辨率固定的缺点,弥补了CWT缺乏相位信息的不足。仿真信号研究表明,S变换在信号整个频带上具有良好的时频分辨率和时频聚集性,能够提取低信噪比信号中的冲击特征,且性能优于STFT和CWT。最后对一组实际的滚动球轴承故障振动信号进行S变换处理,结果表明,S变换能够方便有效地从中提取出周期性的冲击特征,从而指导滚动轴承相关故障的诊断。 相似文献