典型文献
基于SVD-VMD和SVM滚动轴承故障诊断方法
文献摘要：
针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法.首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断.最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断.
文献关键词：
故障诊断;奇异值峰度差分谱;变分模态分解;故障特征提取;信号降噪
中图分类号：
作者姓名：
陈剑;阚东;孙太华;张磊
作者机构：
合肥工业大学噪声振动研究所 合肥 230009;安徽省汽车NVH技术研究中心 合肥 230009
文献出处：
引用格式：
[1]陈剑;阚东;孙太华;张磊-.基于SVD-VMD和SVM滚动轴承故障诊断方法)[J].电子测量与仪器学报,2022(01):220-226
A类：
奇异值峰度差分谱
B类：
SVD,VMD,滚动轴承故障诊断,故障诊断方法,滚动轴承振动信号,干扰信号,故障信息,奇异值分解,变分模态分解,阶数,数重,重构信号,根据上述,本征模态函数,IMF,输入参数,合肥工业大学,试验机,接进,带通滤波器,信号去噪,故障类型,故障特征提取,信号降噪
AB值：
0.208304
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
