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
1
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
基于最优IMF分量和KSVD的滚动轴承故障声音信号特征提取
1
作者
梁雄鹤
陈珊
+2 位作者
魏豪
张丽洁
权伟
《机械与电子》
2022年第2期8-12,17,共6页
针对滚动轴承声音信号中周期性冲击故障特征难提取的问题,提出了基于最优IMF分量与KSVD字典学习相结合的轴承故障特征提取方法。首先,利用VMD分解原始信号获得一系列IMF分量;其次,利用SAF指标自适应选取最优IMF分量,并作为训练信号;最后...
针对滚动轴承声音信号中周期性冲击故障特征难提取的问题,提出了基于最优IMF分量与KSVD字典学习相结合的轴承故障特征提取方法。首先,利用VMD分解原始信号获得一系列IMF分量;其次,利用SAF指标自适应选取最优IMF分量,并作为训练信号;最后,利用KSVD字典学习方法训练出字典库,通过正交匹配追踪算法(OMP)对原始信号处理得到稀疏信号,并对稀疏信号进行包络谱分析。仿真及实验结果表明,对比传统KSVD字典学习方法,该方法得到的稀疏信号信噪比(SNR)更高,能更准确地提取滚动轴承周期性冲击,增强了轴承故障特征。
展开更多
关键词
声音信号
saf指标
最优IMF分量
KSVD
信噪比
下载PDF
职称材料
题名
基于最优IMF分量和KSVD的滚动轴承故障声音信号特征提取
1
作者
梁雄鹤
陈珊
魏豪
张丽洁
权伟
机构
西安工程大学机电工程学院
出处
《机械与电子》
2022年第2期8-12,17,共6页
基金
陕西省自然科学基础研究计划(2019JQ852)。
文摘
针对滚动轴承声音信号中周期性冲击故障特征难提取的问题,提出了基于最优IMF分量与KSVD字典学习相结合的轴承故障特征提取方法。首先,利用VMD分解原始信号获得一系列IMF分量;其次,利用SAF指标自适应选取最优IMF分量,并作为训练信号;最后,利用KSVD字典学习方法训练出字典库,通过正交匹配追踪算法(OMP)对原始信号处理得到稀疏信号,并对稀疏信号进行包络谱分析。仿真及实验结果表明,对比传统KSVD字典学习方法,该方法得到的稀疏信号信噪比(SNR)更高,能更准确地提取滚动轴承周期性冲击,增强了轴承故障特征。
关键词
声音信号
saf指标
最优IMF分量
KSVD
信噪比
Keywords
sound signal
saf
index
optimal IMF components
KSVD
SNR
分类号
TH133.3 [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
基于最优IMF分量和KSVD的滚动轴承故障声音信号特征提取
梁雄鹤
陈珊
魏豪
张丽洁
权伟
《机械与电子》
2022
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