导航切换
噪声与振动控制
首页
关于本刊
出版伦理
编委会
专家中心
评审表
自荐评审人
作者中心
投稿指南
论文模板
版权转让协议
期刊订阅
广告合作
联系我们
期刊
出版年
关键词
结果中检索
(((褚惟[Author]) AND 1[Journal]) AND year[Order])
AND
OR
NOT
文题
作者
作者单位
关键词
摘要
分类号
DOI
Please wait a minute...
选择:
导出引用
EndNote
Ris
BibTeX
显示/隐藏图片
Select
1.
遗传算法优化变分模态分解在轴承故障特征提取中的应用
单玉庭, 刘韬, 褚惟, 缪护
噪声与振动控制 2024, 44 (
1
): 148-153.
摘要
(
100
)
PDF(pc)
(2253KB)(
280
)
可视化
收藏
针对变分模态分解(Variational Mode Decomposition,VMD)过程中模态分量个数和惩罚参数大小依赖先验知识,单一或顺序优化单一参数可能导致局部最优的问题,提出以包络熵和包络峭度因子作为适应度函数,利用遗传算法全局寻优的特点,对VMD的模态分量个数和惩罚参数组合进行优化。通过最优参数组合下的VMD对信号进行分解,可以获得多个本征模态分量( Intrinsic Mode Function,IMF ),选择适应度函数最小IMF分量作为有效IMF分量进行包络解调,从中提取轴承信号的故障特征频率。对多种轴承故障类型信号进行分析并与其他方法对比,结果表明所提方法能有效提取轴承故障特征,有助于实现微弱故障条件下轴承故障特征频率的准确提取。
相关文章
|
多维度评价
Select
2.
麻雀算法参数优化VMD联合K-SVD的滚动轴承故障诊断
褚惟, 王贵勇, 刘韬, 王振亚
噪声与振动控制 2022, 42 (
4
): 100-106.
摘要
(
415
)
PDF(pc)
(2102KB)(
621
)
可视化
收藏
针对经典K-均值奇异值分解(K-means Singular Value Decomposition,K-SVD)易受噪声干扰产生虚假原子,导致信号稀疏不彻底、故障特征识别困难的问题,提出基于麻雀算法优化变分模态分解(Variational Modal Decomposition,VMD) 参数联合K-SVD的滚动轴承故障诊断方法。首先引入包络熵适应度函数指标并基于麻雀算法优化VMD的模态层数k 和平衡因子α。其次利用平方包络谱峭度指标遴选最优模态,以所选模态分量相空间构造Hankel 矩阵进行K-SVD字典学习。最后对恢复至时间序列的稀疏重构信号进行包络解调,提取轴承故障特征频率。通过轴承故障仿真信号和全寿命实验信号进行验证,证明相较于经典K-SVD算法,所提方法在低信噪比条件下在轴承故障特征提取方面具有优势,有一定的工程应用价值。
相关文章
|
多维度评价