典型文献
SGMD-MOMEDA滚动轴承故障特征提取方法研究
文献摘要：
针对滚动轴承的振动信号因非线性、非平稳且信噪比低而造成故障特征难以提取的问题,基于辛几何模态分解(Symplectic Geometry Mode Decomposition,SGMD)和多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)理论,提出了SGMD-MOMEDA故障提取方法.首先,使用SGMD对故障信号进行分解,得到一列的辛几何分量(Symplectic Geometry Components,SGC);其次,依据相关性准则选取SGC进行信号重构,并确定MOMEDA分解参数;最后,使用MOMEDA方法对重构信号进行处理以提高信噪比,并利用包络谱分析对处理后的信号提取故障特征.仿真和实验结果表明,该方法能够准确地提取滚动轴承的故障频率,且与经验模态分解(Empirical Mode Decomposition,EMD)方法的对比结果显示了SGMD方法作为预处理其分解结果更加准确,在故障诊断领域具有较大的应用价值.
文献关键词：
辛几何模态分解;辛几何分量;多点最优最小熵解卷积调整;特征提取;滚动轴承故障诊断
中图分类号：
作者姓名：
曹亚磊;杜应军;韦广;董辛旻;高丽鹏;刘雨曦
作者机构：
郑州大学 振动工程研究所,郑州450001;叶县国博大石崖风力发电有限公司,平顶山467200
文献出处：
引用格式：
[1]曹亚磊;杜应军;韦广;董辛旻;高丽鹏;刘雨曦-.SGMD-MOMEDA滚动轴承故障特征提取方法研究)[J].机械强度,2022(06):1279-1285
A类：
多点最优最小熵解卷积调整,辛几何分量
B类：
SGMD,MOMEDA,轴承故障特征提取,振动信号,非平稳,辛几何模态分解,Symplectic,Geometry,Mode,Decomposition,Multipoint,Optimal,Minimum,Entropy,Deconvolution,Adjusted,故障信号,一列,Components,SGC,信号重构,重构信号,高信噪比,包络谱分析,信号提取,故障频率,经验模态分解,Empirical,EMD,解结,滚动轴承故障诊断
AB值：
0.298848
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。
