Noise and Vibration Control ›› 2025, Vol. 45 ›› Issue (2): 132-138.

Previous Articles     Next Articles

Fault Feature Extraction for Traffic Electromechanical Bearings Based on SIEDL

  

  • Received:2024-01-03 Revised:2024-04-24 Online:2025-04-18 Published:2025-03-27

基于SIEDL的交通机电轴承故障特征提取研究

郭华1, 2，褚惟1, 2，张孟1, 2，王宽1, 2，李应董1, 2   

  1. （ 1. 云南云岭高速公路交通科技有限公司，昆明650051；2. 云南省交通科学研究院有限公司，昆明650051 ）

PDF

17

摘要： 针对经典移不变字典学习(Shift Invariant Dictionary Learning，SIDL)中原子易受噪声干扰，影响特征提取效果，提出一种移不变增强字典学习(Shift Invariant Enhanced Dictionary Learning，SIEDL)交通机电轴承特征提取方法。首先采用SIDL学习周期冲击原子并以基尼指数(Gini Index，GI)为选择标准进行最优遴选；其次引入最大2 阶循环平稳反卷积算法(Maximum Second Order Cyclostationary Blind Deconvolution，CYCBD)对遴选原子特征强化处理；最后基于优化原子重构故障特征信号并进行包络分析。仿真信号和工程数据验证表明，SIEDL 能有效实现低信噪比条件下的交通机电轴承故障特征提取，与经典移不变字典学习、解析字典算法和自适应最大2 阶循环平稳盲解卷积等方法相比具有一定优势。

关键词: 故障诊断, 轴承, 特征提取, 字典学习, 基尼指数, CYCBD