期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进SSD和MOMEDA的滚动轴承复合故障诊断 被引量：2
1
作者 刘尚坤 张伟 +2 位作者 范壮壮 孔德刚 张秀花 《组合机床与自动化加工技术》 北大核心 2022年第6期138-141,145,共5页
针对滚动轴承复合故障特征存在交叉影响又受环境噪声干扰、分离诊断困难问题,提出一种基于改进奇异谱分解(SSD)和多点最优最小熵解卷积调整(MOMEDA)的滚动轴承复合故障分离诊断方法。首先,为了克服SSD分解层数需要凭经验设定而难以选到... 针对滚动轴承复合故障特征存在交叉影响又受环境噪声干扰、分离诊断困难问题,提出一种基于改进奇异谱分解(SSD)和多点最优最小熵解卷积调整(MOMEDA)的滚动轴承复合故障分离诊断方法。首先,为了克服SSD分解层数需要凭经验设定而难以选到最优分量的缺点,提出相关峭度图方式优选复合故障中不同故障各自最优分解层数的改进SSD方法;其次,对选出的各最优分量,利用MOMEDA能够降噪、增强冲击特征的优点,进一步削弱其中残存的交叉及干扰成分;最后,由包络分析诊断出复合故障。实验信号分析结果表明:改进SSD方法能准确确定复合故障中不同故障的各自最优分解层数,经MOMEDA处理后的故障特征更明确、诊断更可靠,实现了轴承复合故障的有效分离和故障类型的准确诊断,为轴承复合故障的分离诊断提供了一条途径。 展开更多
关键词 改进奇异谱分解 相关峭度 多点最优最小熵解卷积调整 滚动轴承 复合故障
下载PDF
改进MOMEDA方法及其在滚动轴承故障特征增强中的应用 被引量：3
2
作者 陈丙炎 宋冬利 +1 位作者 张卫华 程尧 《机械强度》 CAS CSCD 北大核心 2021年第1期1-8,共8页
针对多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)方法在增强轴承故障特征时无法自动识别故障脉冲周期及解卷积信号长度减少的不足,提出一种改进的MOMEDA(Improved MOMEDA,IMOMEDA)方... 针对多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)方法在增强轴承故障特征时无法自动识别故障脉冲周期及解卷积信号长度减少的不足,提出一种改进的MOMEDA(Improved MOMEDA,IMOMEDA)方法。采用振动信号的平方包络的自相关谱自适应地识别故障脉冲周期,根据识别的脉冲周期对振动信号解卷积以增强周期性脉冲特征;然后利用信号波形延拓方法对解卷积信号延拓使其长度与原始信号保持一致;最后对已获得的解卷积信号再进行一定次数的解卷积以有效增强原始信号中的周期性特征。轴承故障仿真信号和铁路轴承实验信号的分析结果及与Kurtogram方法的对比结果表明:改进的MOMEDA方法能够自动识别故障脉冲周期并有效增强滚动轴承的故障特征。 展开更多
关键词 特征增强 故障诊断 铁路轴承 多点最优最小熵解卷积调整 自相关函数
下载PDF
SGMD-MOMEDA滚动轴承故障特征提取方法研究
3
作者 曹亚磊 杜应军 +3 位作者 韦广 董辛旻 高丽鹏 刘雨曦 《机械强度》 CAS CSCD 北大核心 2022年第6期1279-1285,共7页
针对滚动轴承的振动信号因非线性、非平稳且信噪比低而造成故障特征难以提取的问题,基于辛几何模态分解(Symplectic Geometry Mode Decomposition, SGMD)和多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution ... 针对滚动轴承的振动信号因非线性、非平稳且信噪比低而造成故障特征难以提取的问题,基于辛几何模态分解(Symplectic Geometry Mode Decomposition, SGMD)和多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted, MOMEDA)理论,提出了SGMD-MOMEDA故障提取方法。首先,使用SGMD对故障信号进行分解,得到一列的辛几何分量(Symplectic Geometry Components, SGC);其次,依据相关性准则选取SGC进行信号重构,并确定MOMEDA分解参数;最后,使用MOMEDA方法对重构信号进行处理以提高信噪比,并利用包络谱分析对处理后的信号提取故障特征。仿真和实验结果表明,该方法能够准确地提取滚动轴承的故障频率,且与经验模态分解(Empirical Mode Decomposition, EMD)方法的对比结果显示了SGMD方法作为预处理其分解结果更加准确,在故障诊断领域具有较大的应用价值。 展开更多
关键词 辛几何模态分解 辛几何分量 多点最优最小熵解卷积调整 特征提取 滚动轴承故障诊断
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部