共查询到10条相似文献,搜索用时 15 毫秒
1.
基于EEMD与空域相关降噪的滚动轴承故障诊断方法 总被引:2,自引:0,他引:2
针对滚动轴承早期故障信号非平稳、非线性,强噪声的特点,提出了一种将集成经验模态分解(EEMD)和空域相关降噪相结合的滚动轴承故障诊断方法。该方法首先采用EEMD对滚动轴承故障信号进行分解,得到若干个IMF分量,其次,采用峭度—度量因子准则筛选出有效的IMF分量进行信号重构,然后,采用空域相关降噪方法对重构信号进行降噪处理,最后,提取降噪后信号的故障特征频率对轴承故障进行诊断。采用建立的方法对某轴承内圈、外圈故障实验数据进行了分析与诊断,结果表明,方法能够有效克服信号分解的模态混叠效应,对故障信号噪声抑制效果明显,并能准确有效地提取出轴承的故障特征频率,实现对滚动轴承故障的精确诊断。 相似文献
2.
3.
4.
针对滚动轴承早期故障特征十分微弱且易被强背景噪声湮没的问题,引入零时滞四阶累积量(即峰态因数)用于描述信号中弱冲击成分偏离Gauss分布的程度,从而提出一种基于自适应EEMD和改进滑动峰态解调的滚动轴承故障提取方法。首先,对振动信号进行EEMD降噪处理;然后,基于相关峭度、信息熵和能量加权构造了自适应优选准则,选取IMF分量并进行信号重构;最后,对重构信号进行带通滤波处理,采用滑动峰态算法计算峰态时间序列,根据频谱分析结果诊断轴承故障。该方法弥补了传统方法选取IMF分量的不足,同时解决了弱冲击信号的包络问题,可提取轴承故障振动信号中的微弱冲击成分。 相似文献
5.
针对齿轮啮合强振动干扰下滚动轴承微弱故障特征提取难的问题,提出一种最大重叠离散小波包变换(MODWPT)和最大相关峭度解卷积(MCKD)相结合的滚动轴承早期故障诊断方法。首先采用MODWPT方法将复杂的轴承故障振动信号分解为若干分量,然后依据峭度准则,选取峭度较大的分量进行MCKD滤波,最后对滤波后所得信号做Hilbert包络分析,将包络谱呈现的频率特征与理论故障特征频率相比较,识别故障特征,实现故障诊断。通过轴承故障的仿真及实验研究,并对比单一MCKD方法和EMD-MED方法的提取效果,说明该方法可以在一定程度上抑制齿轮啮合强振动及噪声的干扰,增强并有效提取出滚动轴承早期低频微弱故障特征。 相似文献
6.
7.
8.
9.
10.
实际工况中滚动轴承故障的振动信号为非线性,非平稳的信号。为了对滚动轴承的故障做出准确识别,根据轴承故障信号的特点,在此提出一种用全矢谱和EEMD相结合来提取故障特征指标,然后利用隐马尔科夫模型对滚动轴承故障进行分类的新方法。首先对实验得到的滚动轴承同源双通道振动信号进行EEMD分解,得到数个IMF分量,选取相关性较高的分量进行全矢融合。然后提取与故障类型相对应的故障特征频率下的幅值作为滚动轴承故障分类的指标,并利用HMM方法进行训练和识别,从而区分出不同的故障类型。最后,利用实验得到的轴承故障信号进行测试,实验结果表明,该方法可以对滚动轴承故障做出较为准确的识别。 相似文献