典型文献
基于EEMD和参数自适应VMD的高速列车轮对轴承故障诊断
文献摘要：
针对高速列车轮对轴承工作环境复杂,振动信号中时常伴有冲击性噪声和循环平稳性噪声,使得传统的参数自适应变分模态分解(variational modal decomposition,VMD)方法对轮对轴承的故障特征信息提取不准确的问题,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)预处理的改进参数自适应VMD方法.首先利用EEMD对采集到的振动信号进行分解,计算原始信号以及各分量的包络峭度值,选取峭度值大于原始信号峭度值的分量进行重构,生成新的振动信号;其次以局部最大包络谱峭度为目标函数,利用基于粒子群的参数自适应VMD方法分析新信号,从而确定最佳参数;最后将优化后的VMD用于新信号的分解,选取包络谱峭度值最大的分量进行包络解调分析.通过仿真和试验数据分析,证明了该方法在强噪声干扰下仍具有优良的故障特征提取效果.研究结果对提高列车轮对轴承故障诊断效果有一定的理论意义和应用价值.
文献关键词：
轮对轴承;故障诊断;变分模态分解(VMD);包络峭度;包络谱峭度
中图分类号：
作者姓名：
李翠省;廖英英;刘永强
作者机构：
石家庄铁道大学交通运输学院,石家庄050043;石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室,石家庄050043
文献出处：
引用格式：
[1]李翠省;廖英英;刘永强-.基于EEMD和参数自适应VMD的高速列车轮对轴承故障诊断)[J].振动与冲击,2022(01):68-77
A类：
包络峭度
B类：
EEMD,VMD,高速列车,车轮,轮对轴承,轴承故障诊断,环境复杂,振动信号,中时,冲击性,循环平稳性,自适应变分模态分解,variational,modal,decomposition,特征信息提取,集成经验模态分解,ensemble,empirical,mode,改进参数自适应,峭度值,大包,包络谱峭度,新信号,最佳参数,行包,包络解调分析,试验数据分析,强噪声,噪声干扰,故障特征提取,提取效果,诊断效果,意义和应用
AB值：
0.252476
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。
