期刊导航
期刊开放获取
河南省图书馆
退出
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
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
检索
高级检索
期刊导航
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:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于SVMD与参数优化MCKD的轴承故障诊断
1
作者
钟先友
何流
赵潇
《机电工程》
CAS
北大核心
2024年第7期1179-1188,共10页
针对轴承故障信号存在噪声干扰,难以提取故障特征的问题,提出了一种将连续变分模态分解(SVMD)与改进的最大相关峭度反卷积(MCKD)相结合的轴承故障诊断方法。首先,为了表征轴承振动信号中的故障特征,将峭度与高斯核相结合,提出了比峭度...
针对轴承故障信号存在噪声干扰,难以提取故障特征的问题,提出了一种将连续变分模态分解(SVMD)与改进的最大相关峭度反卷积(MCKD)相结合的轴承故障诊断方法。首先,为了表征轴承振动信号中的故障特征,将峭度与高斯核相结合,提出了比峭度指标更为突出的加权峭度指标;其次,利用SVMD方法对轴承信号进行了分解,获得了若干模态分量,并使用加权峭度指标从多个模态分量中筛选出了故障特征最丰富的模态分量;然后,以包络熵为标准,通过几何平均优化器(GMO)优化MCKD的滤波器长度和周期两个参数,获得了最佳的参数组合;最后,采用GMO-MCKD方法对轴承信号进行了降噪,对降噪后的信号进行了包络分析,提取了轴承特征频率;同时,采用粒子群优化(PSO)的变分模态分解(VMD)和粒子群优化的变分模态提取(VME),对轴承信号进行了对照分析。研究结果表明:采用SVMD-GMO-MCKD方法在辛辛那提数据集中诊断出轴承特征频率为234.4 Hz及其二倍频;在西储大学轴承数据集中诊断出轴承特征频率为108.96 Hz,二倍频为218.09 Hz。该方法可以增强滚动轴承的周期性冲击成分,在有干扰的背景下有效地提取出滚动轴承内圈和外圈的故障特征,且轴承故障特征提取效果优于PSO-VMD和PSO-VME方法。
展开更多
关键词
噪声干扰
连续变分模态分解
最大相关峭度反卷积
几何平均优化器
故障特征提取效果
轴承特征频率
下载PDF
职称材料
基于SVMD和波形因子准则的电动机滚动轴承故障特征提取方法
2
作者
解春维
余美仪
《机电工程技术》
2024年第1期238-242,共5页
电动机轴承故障产生的冲击性信号具有非平稳、非线性的特点,且极易被随机噪声信号干扰,导致轴承故障特征信号的提取极具挑战性。为此提出一种基于连续变分模态分解(SVMD)和波形因子筛选准则的轴承故障信号提取方法。首先,考虑到传感器...
电动机轴承故障产生的冲击性信号具有非平稳、非线性的特点,且极易被随机噪声信号干扰,导致轴承故障特征信号的提取极具挑战性。为此提出一种基于连续变分模态分解(SVMD)和波形因子筛选准则的轴承故障信号提取方法。首先,考虑到传感器的零点漂移问题,对原始振动信号去趋势;其次,运用平滑噪声稳健差分器进行降噪;然后,运用SVMD算法分解降噪后的信号,分解过程无需事先知道信号模态数目,避免了模态数难以确定的问题;接下来,使用波形因子准则筛选出合适的模态分量描述轴承运动特征信号;最后,运用包络谱分析提取故障特征频率。仿真和实际轴承故障数据实验结果表明,与变分模态分解类方法相比,所提方法避免了事先预估模态数量,能够准确提取电动机轴承故障的特征信号。
展开更多
关键词
连续变分模态分解
轴承故障检测
波形因子
故障诊断
下载PDF
职称材料
基于SVMD和自适应MOMEDA的齿轮箱故障诊断
3
作者
岳子毫
裴帮
+3 位作者
李志远
王征兵
黄晓丹
雷欢欢
《机床与液压》
北大核心
2023年第21期225-232,共8页
受背景噪声和传输路径的影响,故障信号往往被淹没,故障特征难以提取。基于此,提出一种连续变分模态分解(SVMD)和自适应MOMEDA相结合的故障诊断方法,通过SVMD前处理得到重构信号,然后以平均谱负熵为适应函数,通过人工鱼群优化算法自适应...
受背景噪声和传输路径的影响,故障信号往往被淹没,故障特征难以提取。基于此,提出一种连续变分模态分解(SVMD)和自适应MOMEDA相结合的故障诊断方法,通过SVMD前处理得到重构信号,然后以平均谱负熵为适应函数,通过人工鱼群优化算法自适应选择MOMEDA的最优参数。利用所得参数对重构信号进行MOMEDA滤波,最后进行包络谱分析,做出故障类型诊断。将所提方法应用于齿轮箱主动轮断齿故障的仿真信号和实验信号中,在包络频谱中可以清楚地分辨出小齿轮转频及其倍频,同时所提方法相对其他方法具有更好的表现效果。
展开更多
关键词
齿轮箱故障诊断
自适应MOMEDA
连续变分模态分解
(SVMD)
人工鱼群算法
下载PDF
职称材料
题名
基于SVMD与参数优化MCKD的轴承故障诊断
1
作者
钟先友
何流
赵潇
机构
三峡大学机械与动力学院
湖北文理学院机械工程学院
出处
《机电工程》
CAS
北大核心
2024年第7期1179-1188,共10页
基金
国家自然科学基金面上项目(52175177)
教育部就业育人项目(20230109802)。
文摘
针对轴承故障信号存在噪声干扰,难以提取故障特征的问题,提出了一种将连续变分模态分解(SVMD)与改进的最大相关峭度反卷积(MCKD)相结合的轴承故障诊断方法。首先,为了表征轴承振动信号中的故障特征,将峭度与高斯核相结合,提出了比峭度指标更为突出的加权峭度指标;其次,利用SVMD方法对轴承信号进行了分解,获得了若干模态分量,并使用加权峭度指标从多个模态分量中筛选出了故障特征最丰富的模态分量;然后,以包络熵为标准,通过几何平均优化器(GMO)优化MCKD的滤波器长度和周期两个参数,获得了最佳的参数组合;最后,采用GMO-MCKD方法对轴承信号进行了降噪,对降噪后的信号进行了包络分析,提取了轴承特征频率;同时,采用粒子群优化(PSO)的变分模态分解(VMD)和粒子群优化的变分模态提取(VME),对轴承信号进行了对照分析。研究结果表明:采用SVMD-GMO-MCKD方法在辛辛那提数据集中诊断出轴承特征频率为234.4 Hz及其二倍频;在西储大学轴承数据集中诊断出轴承特征频率为108.96 Hz,二倍频为218.09 Hz。该方法可以增强滚动轴承的周期性冲击成分,在有干扰的背景下有效地提取出滚动轴承内圈和外圈的故障特征,且轴承故障特征提取效果优于PSO-VMD和PSO-VME方法。
关键词
噪声干扰
连续变分模态分解
最大相关峭度反卷积
几何平均优化器
故障特征提取效果
轴承特征频率
Keywords
noise interference
successive variational mode decomposition(SVMD)
maximum correlated kurtosis deconvolution(MCKD)
geometric mean optimizer(GMO)
fault feature extraction effect
bearing characteristic frequency
分类号
TH133.33 [机械工程—机械制造及自动化]
TH17 [机械工程—机械制造及自动化]
下载PDF
职称材料
题名
基于SVMD和波形因子准则的电动机滚动轴承故障特征提取方法
2
作者
解春维
余美仪
机构
广州市机电技师学院
佛山科学技术学院
出处
《机电工程技术》
2024年第1期238-242,共5页
基金
广东省职业技术教育学会科研规划项目(202103Z152)。
文摘
电动机轴承故障产生的冲击性信号具有非平稳、非线性的特点,且极易被随机噪声信号干扰,导致轴承故障特征信号的提取极具挑战性。为此提出一种基于连续变分模态分解(SVMD)和波形因子筛选准则的轴承故障信号提取方法。首先,考虑到传感器的零点漂移问题,对原始振动信号去趋势;其次,运用平滑噪声稳健差分器进行降噪;然后,运用SVMD算法分解降噪后的信号,分解过程无需事先知道信号模态数目,避免了模态数难以确定的问题;接下来,使用波形因子准则筛选出合适的模态分量描述轴承运动特征信号;最后,运用包络谱分析提取故障特征频率。仿真和实际轴承故障数据实验结果表明,与变分模态分解类方法相比,所提方法避免了事先预估模态数量,能够准确提取电动机轴承故障的特征信号。
关键词
连续变分模态分解
轴承故障检测
波形因子
故障诊断
Keywords
successive variational mode decomposition
bearing fault detection
waveform factor
fault diagnosis
分类号
TH133.33 [机械工程—机械制造及自动化]
下载PDF
职称材料
题名
基于SVMD和自适应MOMEDA的齿轮箱故障诊断
3
作者
岳子毫
裴帮
李志远
王征兵
黄晓丹
雷欢欢
机构
郑州机械研究所有限公司
中航光电科技股份有限公司
出处
《机床与液压》
北大核心
2023年第21期225-232,共8页
基金
河南省中央引导地方科技发展资金(113ZP20220165)。
文摘
受背景噪声和传输路径的影响,故障信号往往被淹没,故障特征难以提取。基于此,提出一种连续变分模态分解(SVMD)和自适应MOMEDA相结合的故障诊断方法,通过SVMD前处理得到重构信号,然后以平均谱负熵为适应函数,通过人工鱼群优化算法自适应选择MOMEDA的最优参数。利用所得参数对重构信号进行MOMEDA滤波,最后进行包络谱分析,做出故障类型诊断。将所提方法应用于齿轮箱主动轮断齿故障的仿真信号和实验信号中,在包络频谱中可以清楚地分辨出小齿轮转频及其倍频,同时所提方法相对其他方法具有更好的表现效果。
关键词
齿轮箱故障诊断
自适应MOMEDA
连续变分模态分解
(SVMD)
人工鱼群算法
Keywords
Gearbox fault diagnosis
Adaptive MOMEDA
Successive variational mode decomposition(SVMD)
Artificial fish swarm algorithm
分类号
TH132.4 [机械工程—机械制造及自动化]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于SVMD与参数优化MCKD的轴承故障诊断
钟先友
何流
赵潇
《机电工程》
CAS
北大核心
2024
0
下载PDF
职称材料
2
基于SVMD和波形因子准则的电动机滚动轴承故障特征提取方法
解春维
余美仪
《机电工程技术》
2024
0
下载PDF
职称材料
3
基于SVMD和自适应MOMEDA的齿轮箱故障诊断
岳子毫
裴帮
李志远
王征兵
黄晓丹
雷欢欢
《机床与液压》
北大核心
2023
0
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部