针对强背景噪声下滚动轴承早期故障信号信噪比低、特征提取难度大的问题,提出一种将自回归-最小嫡解卷积(autoregressive-minimum entropy deconvolution,AR-MED)与Teager能量算子(teager energy operator,TEO)相结合的滚动轴承故障诊...针对强背景噪声下滚动轴承早期故障信号信噪比低、特征提取难度大的问题,提出一种将自回归-最小嫡解卷积(autoregressive-minimum entropy deconvolution,AR-MED)与Teager能量算子(teager energy operator,TEO)相结合的滚动轴承故障诊断方法。为了达到增强故障信号中冲击成分的目的,采用AR-MED对信号进行滤波处理。依据滤波后信号的Teager能量谱,获取滚动轴承的故障特征频率。通过对仿真信号和实测信号进行分析,验证了该文所提方法在强背景噪声下滚动轴承早期故障诊断中的有效性。展开更多
文摘针对强背景噪声下滚动轴承早期故障信号信噪比低、特征提取难度大的问题,提出一种将自回归-最小嫡解卷积(autoregressive-minimum entropy deconvolution,AR-MED)与Teager能量算子(teager energy operator,TEO)相结合的滚动轴承故障诊断方法。为了达到增强故障信号中冲击成分的目的,采用AR-MED对信号进行滤波处理。依据滤波后信号的Teager能量谱,获取滚动轴承的故障特征频率。通过对仿真信号和实测信号进行分析,验证了该文所提方法在强背景噪声下滚动轴承早期故障诊断中的有效性。