检索结果

期刊

出版年

关键词

Please wait a minute...

选择:

导出引用
EndNote Ris BibTeX

显示/隐藏图片

Select

1. 基于参数自适应VMD和MCKD的滚动轴承微弱故障特征提取

刘迎松, 魏志刚, 束海星, 刘晓超, 陆强

噪声与振动控制 2023, 43 (3): 102-109.

摘要（193）

PDF（pc）（2364KB）（769）

针对传输路径复杂和强噪声干扰条件下滚动轴承故障信号信噪比低、微弱故障特征难以提取的问题，提出一种将参数优化变分模态分解（Variational Mode Decomposition，VMD）与最大相关峭度解卷积（Maximum Correlated Kurtosis Deconvolution, MCKD）相结合的滚动轴承微弱故障特征提取方法。首先，利用经麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的VMD对故障信号进行自适应分解，构建加权峭度指标以筛选有效模态分量；然后对有效模态分量利用经SSA优化后的MCKD进行增强；最后，对增强后的信号进行包络解调分析，提取出轴承故障特征频率。实验和工程实际案例分析表明，所提出的方法能够自适应增强轴承信号中的微弱冲击成分，有效提取出强噪声背景下的滚动轴承微弱故障特征。

相关文章 | 多维度评价

Select

2. 基于VMD-PE-MCKD低速重载滚动轴承故障特征提取

毛欢, 魏志刚, 刘迎松, 韦雅宁, 王宏元, 陆强

噪声与振动控制 2022, 42 (4): 152-157.

摘要（272）

PDF（pc）（1818KB）（639）

针对低速重载滚动轴承故障特征频率低、难提取的问题，提出一种基于变分模态分解和最大相关峭度解卷积并且结合利用排列熵筛选分量的方法。首先对原始振动信号进行变分模态分解，得到若干个本征模态分量；其次，根据利用排列熵筛选分量的原则，将筛选出的分量利用最大相关峭度解卷积方法进行去噪；最后对处理后的分量进行包络谱分析，从而提取故障特征频率，实现故障诊断。通过分析低速轴承仿真信号以及工程实测所得低速重载轴承振动信号，验证了该方法的有效性。