机械设计与研究 ›› 2017, Vol. 33 ›› Issue (01): 78-82.doi: 10.13952/j.cnki.jofmdr.a4184
李卫;
发布日期:2020-07-26
Published:2020-07-26
摘要： 提出了一种滚动轴承在非平稳工况下的故障特征提取的新方法,即把经验小波变换与阶次重采样相结合的新方法。通过对非平稳工况的滚动轴承故障特征信号的等角度重采样把其转化为角域平稳信号;然后利用经验小波变换(Empirical mode decomposition,EWT)对得到的角域平稳信号进行自适应分解,就产生若干个经验模态分量,再选取峭度值最大的分量进行包络谱分析,同时通过改进频谱分割方式,来高效地提取出滚动轴承故障的阶比特征。最后通过仿真分析证明了此方法与传统方法相比较,对于抑制噪声等干扰成分的有效性和优越性。并且还通过实验测试验证了分析与仿真的结论。
李卫;. 非平稳工况的滚动轴承故障特征研究新方法[J]. 机械设计与研究, 2017, 33(01): 78-82.
| [1] | 卓鹏程, 严瑾, 郑美妹, 夏唐斌, 奚立峰. 面向滚动轴承全生命周期故障诊断的GA-OIHF Elman神经网络算法[J]. 上海交通大学学报, 2021, 55(10): 1255-1262. |
| [2] | 周建民;游涛;尹文豪;张龙;张臣臣;. 基于融合FCM-SVDD模型的滚动轴承退化状态识别[J]. 机械设计与研究, 2020, 36(01): 124-129. |
| [3] | 张龙;吴佳敏;吴荣真;宋成洋;易剑昱;. 基于多尺度熵与SOM神经网络的滚动轴承故障识别[J]. 机械设计与研究, 2019, 35(06): 105-110. |
| [4] | 周建民;王发令;张龙;李鹏;张臣臣;. 基于RBF神经网络与模糊评价的滚动轴承退化状态定量评估[J]. 机械设计与研究, 2019, 35(06): 116-122+127. |
| [5] | 熊国良;毛志德;张龙;成俊良;. 经验模态分解与核马氏距离的滚动轴承性能退化评估[J]. 机械设计与研究, 2019, 35(04): 96-100+104. |
| [6] | 陆纪文;. 基于MCKD与1.5维Teager能量谱的滚动轴承故障诊断方法[J]. 机械设计与研究, 2019, 35(03): 100-103. |
| [7] | 周建民;张臣臣;张龙;郭慧娟;. 基于融合模糊C均值与隐马尔科夫模型的滚动轴承的退化状态识别[J]. 机械设计与研究, 2019, 35(03): 83-86. |
| [8] | 王宜静;谭海燕;. 基于多维度互近似熵的滚动轴承故障诊断方法研究[J]. 机械设计与研究, 2019, 35(01): 110-112+124. |
| [9] | 周建民;张臣臣;张龙;郭慧娟;. 基于自联想神经网络与模糊C均值的滚动轴承的性能退化评估[J]. 机械设计与研究, 2019, 35(01): 96-99. |
| [10] | 吴军a, b，黎国强a，吴超勇a，程一伟c，邓超c. 数据驱动的滚动轴承性能衰退状态监测方法[J]. 上海交通大学学报（自然版）, 2018, 52(5): 538-544. |
| [11] | 张龙;刘晶;熊国良;毛志德;. 基于小波包分解和频率加权能量算子的滚动轴承故障诊断[J]. 机械设计与研究, 2018, 34(06): 80-84. |
| [12] | 高七一;余伦;. 光电经纬仪中径向密珠滚动轴承设计要素的分析[J]. 机械设计与研究, 2018, 34(06): 89-94. |
| [13] | 唐宁;童水光;徐剑;从飞云;张依东;. 基于短时信号重构与K-SVD特征提取算法[J]. 机械设计与研究, 2018, 34(04): 18-22. |
| [14] | 荆双喜;杨晓雨;罗志鹏;. 基于自适应时频分析的滚动轴承故障诊断[J]. 机械设计与研究, 2018, 34(04): 85-88. |
| [15] | 黎慧;张国文;. 基于灰色模型的滚动轴承剩余寿命预测[J]. 机械设计与研究, 2018, 34(01): 113-116+120. |
| 阅读次数 | ||||||
|
全文 |
|
|||||
|
摘要 |
|
|||||
