机械设计与研究 ›› 2018, Vol. 34 ›› Issue (04): 85-88.doi: 10.13952/j.cnki.jofmdr.a4671
荆双喜;杨晓雨;罗志鹏;
发布日期:2020-07-26
Published:2020-07-26
摘要： 针对滚动轴承故障诊断,提出一种将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和平滑伪魏格纳分布(Smoothed Pseudo Wigner-Ville Distribution,SPWVD)相结合的EEMD-SPWVD自适应时频分析方法。首先将多分量轴承故障信号通过EEMD分解为多个单分量信号的叠加;然后参考各分量的互相关系数去除虚假分量,筛选出真实的固有模态分量(Intrinsic Mode Function,IMF);最后将筛选出的固有模态函数进行SPWVD计算,并从低频到高频逐步有选择地线性叠加到EEMD-SPWVD时频谱图中。通过对EEMD-SPWVD方法的滚动轴承内圈故障诊断仿真和西储大学轴承内圈故障信号的特征提取应用,对比SPWVD时频谱,说明了EEMD-SPWVD方法相对单一方法的优越性,验证了该方法在滚动轴承故障特征提取中的有效性。
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.
| [1] | 许勇, 蔡云泽, 宋林. 基于数据驱动的核电设备状态评估研究综述[J]. 上海交通大学学报, 2022, 56(3): 267-278. |
| [2] | 刘秀丽, 徐小力. 基于特征金字塔卷积循环神经网络的故障诊断方法[J]. 上海交通大学学报, 2022, 56(2): 182-190. |
| [3] | 马航宇, 周笛, 卫宇杰, 吴伟, 潘尔顺. 变工况下基于自适应深度置信网络的轴承智能故障诊断[J]. 上海交通大学学报, 2022, 56(10): 1368-1377. |
| [4] | 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. |
| [5] | 胡晓强，仲训昱，张霄力，彭侠夫，何荧. 基于支持向量机辅助的四轴陀螺两级故障诊断方法[J]. 上海交通大学学报, 2020, 54(11): 1151-1156. |
| [6] | 高家宝;许昕;潘宏侠;付志敏;. 基于信息熵与神经网络的供输弹系统早期故障诊断[J]. 机械设计与研究, 2020, 36(02): 181-184+188. |
| [7] | 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. |
| [8] | 赵璐;许昕;潘宏侠;付志敏;高家宝;. 基于信息熵与信息融合的供输弹系统故障诊断研究[J]. 机械设计与研究, 2020, 36(01): 169-172. |
| [9] | 张龙;宋成洋;邹友军;崔路瑶;雷兵;. 基于VMD多特征融合与PSO-SVM的滚动轴承故障诊断[J]. 机械设计与研究, 2019, 35(06): 96-104. |
| [10] | 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. |
| [11] | 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. |
| [12] | 李东;刘广璞;黄晋英;张安安;. 基于EEMD-SVD与SVM的轴承故障诊断[J]. 机械设计与研究, 2019, 35(06): 123-127. |
| [13] | 张航;许昕;潘宏侠;梁海英;. 基于ITD与PSO-SVM的供输弹系统故障诊断[J]. 机械设计与研究, 2019, 35(06): 197-200. |
| [14] | 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. |
| [15] | 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. |
| 阅读次数 | ||||||
|
全文 |
|
|||||
|
摘要 |
|
|||||
