典型文献
EMD-CSF在滚动轴承早期微弱故障诊断中应用
文献摘要：
滚动轴承早期故障信息微弱并且夹杂大量背景噪声,故障特征难以识别,为增强传统轴承故障诊断算法的噪声适应性、智能性和鲁棒性,提出一种将经验模态分解(Empirical Mode Decomposition,EMD)和卷积稀疏滤波(Convolutional sparse filtering,CSF)相结合的故障诊断模型.首先对振动信号进行EMD处理,选取峭度值较大的前几阶固有模态分量(Intrinsic Mode Function,IMF)进行重构,然后将重构信号进行稀疏特征学习,最后通过分析时域波形和Hilbert包络谱的特征频率及其谐波判别轴承的故障信息.通过滚动轴承的仿真数据与实测试验数据,证明了采用所提方法能够更好识别轴承故障特征,具有更强的抗噪性.
文献关键词：
故障诊断;滚动轴承;经验模态分解;稀疏滤波;早期故障诊断;Hilbert包络解调
中图分类号：
作者姓名：
鲍怀谦;魏永长;王金瑞;张宗振;张国伟;田志远
作者机构：
山东科技大学 机械电子工程学院,山东 青岛 266000;南京航空航天大学 能源与动力学院,南京 210000;西安电子科技大学 机电工程学院,西安 710000
文献出处：
引用格式：
[1]鲍怀谦;魏永长;王金瑞;张宗振;张国伟;田志远-.EMD-CSF在滚动轴承早期微弱故障诊断中应用)[J].噪声与振动控制,2022(06):105-110
A类：
B类：
EMD,CSF,滚动轴承,早期微弱故障,故障信息,夹杂,背景噪声,故障特征,轴承故障诊断,故障诊断算法,智能性,经验模态分解,Empirical,Mode,Decomposition,稀疏滤波,Convolutional,sparse,filtering,故障诊断模型,振动信号,峭度值,固有模态分量,Intrinsic,Function,IMF,重构信号,稀疏特征,特征学习,时域波形,Hilbert,包络谱,特征频率,谐波,仿真数据,抗噪性,早期故障诊断,包络解调
AB值：
0.426343
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。
