检索结果-南通市图书馆

基于自适应MOMEDA与VMD的滚动轴承早期故障特征提取

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

振动与冲击 2019年第23期38卷 219-229页

作者：刘岩伍星刘韬陈庆昆明理工大学云南省高校振动与噪声重点实验室

轴承故障衍生早期,由于故障尺寸较小且易受环境噪声和信号衰减的影响,因此故障冲击信号往往非常微弱。变分模态分解(Variational Mode Decomposition,VMD)已经在轴承的故障特征提取中有一定的应用,但对于背景噪声较强时的滚动轴承的微... 详细信息

轴承故障衍生早期,由于故障尺寸较小且易受环境噪声和信号衰减的影响,因此故障冲击信号往往非常微弱。变分模态分解(Variational Mode Decomposition,VMD)已经在轴承的故障特征提取中有一定的应用,但对于背景噪声较强时的滚动轴承的微弱故障提取效果并不理想。针对这一问题,将改进多点优化最小熵解卷积(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)与VMD相结合,研究了滤波器长度对MOMEDA效果的影响,提出基于进退法确定最优滤波器长度的自适应MOMEDA方法。利用自适应MOMEDA对信号降噪并避免传统MED迭代以及滤波后可能出现的虚假峰值。将自适应MOMEDA降噪后的信号使用VMD进行分解,然后依据谱峭度大小进行重构,对重构之后的信号进行故障特征提取,取得了较好的效果。最后通过实验验证了方法的可行性及有效性。

关键词：多点优化最小熵解卷积变分模态分解谱峭度滚动轴承早期故障进退法

基于LMD和MOMEDA的滚动轴承早期故障特征提取研究

在线全文

学校读者我要写书评

暂无评论

机电工程 2021年第3期38卷 276-285页

作者：金京刘畅兰雨涛王衍学北京建筑大学机电与车辆工程学院北京100044 北京建筑大学城市轨道交通服役性能保障北京市重点实验室北京100044

采用局域均值分解(LMD)提取强噪声背景下的滚动轴承的故障特征效果并不理想,针对该问题,将多点优化最小熵解卷积(MOMEDA)与局域均值分解(LMD)相结合,进行了滚动轴承微弱故障信号处理研究。首先,利用局域均值分解(LMD)对外圈故障轴承的... 详细信息

采用局域均值分解(LMD)提取强噪声背景下的滚动轴承的故障特征效果并不理想,针对该问题,将多点优化最小熵解卷积(MOMEDA)与局域均值分解(LMD)相结合,进行了滚动轴承微弱故障信号处理研究。首先,利用局域均值分解(LMD)对外圈故障轴承的振动信号进行了信号重构;其次,利用多点优化最小熵解卷积(MOMEDA)滤波,进行了包络分析来提取故障特征;最后,将所提出的方法与局域均值分解(LMD)重构后,用最小熵解卷积(MED)滤波故障特征提取方法进行了对比;此外,采用所提方法分析了内圈故障。研究结果表明:所提出的方法对微弱故障特征提取有更好的适用性,能在包络谱中看到多倍频峰值,且峰值附近干扰很少;仿真与试验结果验证了方法的有效性。

关键词：局域均值分解多点优化最小熵解卷积最小熵解卷积滚动轴承故障诊断

基于改进型CYCBD的变速器智能诊断方法研究

在线全文

学校读者我要写书评

暂无评论

基于改进型CYCBD的变速器智能诊断方法研究

作者：梁富旺中北大学

学位级别：硕士

变速器作为汽车中的关键传动部件,其运行状态的好坏直接关系到车辆的安全,如果在早期能准确预测故障的位置,就可以避免因故障而造成的安全事故,因此,对变速器早期故障进行有效诊断,对于提高变速器的安全性和可靠性具有重要意义。但在实... 详细信息

变速器作为汽车中的关键传动部件,其运行状态的好坏直接关系到车辆的安全,如果在早期能准确预测故障的位置,就可以避免因故障而造成的安全事故,因此,对变速器早期故障进行有效诊断,对于提高变速器的安全性和可靠性具有重要意义。但在实际应用中,由于变速器结构复杂、零件之间相互作用,采集到的振动信号往往是不同位置,不同程度故障以及传输路径上其他振动信号耦合在一起的结果。尤其在强背景噪声的影响下,早期微弱故障特征很容易地作为噪声被过滤掉,致使早期的产生的局部微弱故障特征难以准确提取。针对以上问题,本文以新能源汽车单档变速器为研究对象,通过盲解卷积降噪方法,对变速器中早期故障进行分析和诊断研究。论文主要研究内容如下:通过对变速器中关键的零件齿轮和轴承的常见故障类型、故障机理以及振动信号的特性进行分析,在此基础上建立了仿真信号。并通过搭建变速器故障实验台,研究了基于离散熵和时域特征值的测点振动信号表征方法,确定了最佳的测点,为变速器早期的故障特征提取提供了可靠的实验数据。研究了解卷积理论基础,重点对多点优化最小熵解卷积(MOMEDA)和最大二阶循环平稳盲解卷积(CYCBD)的基础理论以及参数对故障特征提取效果的影响进行研究。在此基础上,针对变速器中出现早期故障时,故障特征信息比较微弱容易被强背景噪声淹没,无法准确判断故障特征,以及MOMEDA的降噪效果会受到噪声和参数的影响。因此,应用基于自回归模型(AR)和MOMEDA故障特征方法。首先利用自回归模型对源信号进行预处理,提高信号的信噪比;降噪后信号再使用改进的MOMEDA进行二次降噪,进一步增强信号中的弱冲击成份,以此来提取早期的故障特征。但是该方法不能对复合故障中的早期微弱故障进行有效提取。为了准确提取出复合故障中的早期故障,提出了EEMD和参数自适应CYCBD结合的早期故障特征提取方法,通过使用EEMD对振动信号进行分解,分离了故障特征,接着对处理后的信号利用CYCBD提取周期冲击成份,但是CYCBD的降噪参数不能自适应的选取,为了提高其降噪的性能,提出基于包络谱离散熵的黑猩猩优化算法自适应选取CYCBD滤波器的参数,这种方法有效实现了变速器复合故障下的早期故障特征提取。

关键词：多点优化最小熵解卷积最大二阶循环平稳盲解卷积变速器故障特征提取

基于ASSD-MOMEDA-FWEO相结合的滚动轴承故障诊断

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

自动化仪表 2021年第12期42卷 8-14页

作者：唐贵基丁傲王晓龙张晔华北电力大学机械工程系河北保定071003 国网吉林省电力有限公司长春供电公司吉林长春130021

针对滚动轴承微弱故障信号的非线性、非平稳、易被强背景噪声掩盖的特点,提出一种自适应奇异谱分解(ASSD)、多点优化最小熵解卷积(MOMEDA)与频率加权能量算子(FWEO)相融合的微弱故障诊断方法。首先,利用ASSD算法对原始信号进行处理,采... 详细信息

针对滚动轴承微弱故障信号的非线性、非平稳、易被强背景噪声掩盖的特点,提出一种自适应奇异谱分解(ASSD)、多点优化最小熵解卷积(MOMEDA)与频率加权能量算子(FWEO)相融合的微弱故障诊断方法。首先,利用ASSD算法对原始信号进行处理,采用合成峭度与斯皮尔曼等级相关系数(SRCC)作为联合判据,自适应确定奇异谱分量个数后,根据合成峭度最大原则筛选出最佳奇异谱分量。然后,利用MOMEDA算法对最佳奇异谱分量作进一步解卷积处理,实现故障特征强化放大。最后,通过FWEO算法获取解卷积信号的瞬时能量信号,并通过傅里叶变换(FFT)得到瞬时能量谱,从中拾取出故障特征信息。仿真和试验信号分析结果表明,所述方法可有效提取强噪声下微弱故障特征,实现轴承故障精确诊断。

关键词：滚动轴承故障诊断自适应奇异谱分解多点优化最小熵解卷积频率加权能量算子

基于MOMEDA与CS自适应随机共振的滚动轴承微弱故障特征提取

在线全文

学校读者我要写书评

暂无评论

机械强度 2021年第4期43卷 771-778页

作者：权振亚张学良太原科技大学太原030024 山西水利职业技术学院太原030032

针对调节非线性系统参数的取值会影响输出信噪比(SNR)的大小这一现象,采用信噪比(SNR)作为随机共振输出评价指标,提出将多点优化最小熵解卷积调整(Multipoint Optimal Minimum Entroy Deconvolution Adjusted,MOMEDA)与布谷鸟自适应随... 详细信息

针对调节非线性系统参数的取值会影响输出信噪比(SNR)的大小这一现象,采用信噪比(SNR)作为随机共振输出评价指标,提出将多点优化最小熵解卷积调整(Multipoint Optimal Minimum Entroy Deconvolution Adjusted,MOMEDA)与布谷鸟自适应随机共振相结合的方法来提取微弱故障特征频率,仿真分析表明将MOMEDA作为随机共振前处理能够显著提升故障微弱信号,而实验实例验证进一步表明将MOMEDA方法与随机共振相结合能有效地从存在强噪声的信号中提取弱故障信号的特征频率,从而实现滚动轴承弱故障的诊断。

关键词：滚动轴承多点优化最小熵解卷积微弱故障布谷鸟算法随机共振

基于SK-MOMEDA的滚动轴承微弱故障特征提取

在线全文

学校读者我要写书评

暂无评论

机械传动 2021年第2期45卷 157-162页

作者：梁富旺孙虎儿刘柯欣中北大学机械工程学院山西太原030051

针对滚动轴承早期周期性瞬态冲击不明显及谱峭度在低信噪比情况下分析效果差的问题,提出多点优化最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和谱峭度相结合的轴承微弱故障特征提取方法。首先,采... 详细信息

针对滚动轴承早期周期性瞬态冲击不明显及谱峭度在低信噪比情况下分析效果差的问题,提出多点优化最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和谱峭度相结合的轴承微弱故障特征提取方法。首先,采用MOMEDA作为前置滤波器对含有强噪声的微弱故障冲击信号进行降噪,突显信号中的周期性冲击性成分;然后,通过谱峭度分析,以最佳中心频率和带宽对降噪的信号进行带通滤波;最后,对滤波后的信号进行Hilbert包络谱分析,便可以准确地获得轴承信号的故障特征频率。仿真信号和实验分析结果表明,该方法可有效增强振动信号的周期性瞬态冲击特征,提取出滚动轴承早期微弱故障特征。

关键词：滚动轴承多点优化最小熵解卷积谱峭度微弱故障特征提取