基于EWT和ICA联合降噪的轴承故障诊断方法

发布时间：2021-05-15 08:40

　　针对轴承早期故障信号易被淹没于噪声中、故障特征难以提取的问题,提出一种经验小波变换（Empirical Wavelet Transform, EWT）与独立分量分析（Independent Component Analysis, ICA）的联合降噪方法。该方法依据峭度准则将经EWT分解得到的固有模态分量（Intrinsic Mode Function, IMF）重构后利用ICA进行盲源分离,有效抑制了振动信号中的噪声,使故障特征频率的能量幅值最大,从而识别故障特征。通过仿真分析和实际轴承早期故障的实验研究,表明该方法可明显削弱噪声干扰,突出故障频率成分。与EWT和包络谱结合的方法对比,信噪比提高了24.45%,能更清晰准确地提取故障特征信息,满足对轴承故障的诊断要求,为滚动轴承早期故障提取提供了一种方法。 

【文章来源】：组合机床与自动化加工技术. 2020,(07)北大核心

【文章页数】：5 页

【文章目录】：
0 引言
1 经验小波变换
2 峭度准则
3 独立分量分析
4 EWT-ICA联合降噪方法
    4.1 方法研究
    4.2 仿真分析
5 滚动轴承早期故障分析
6 结论


【参考文献】：
期刊论文
[1]基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断[J]. 吴小涛,杨锰,袁晓辉,龚廷恺.  振动与冲击. 2015(02)
[2]基于经验小波变换的机械故障诊断方法研究[J]. 李志农,朱明,褚福磊,肖尧先.  仪器仪表学报. 2014(11)
[3]EMD-ICA联合降噪在滚动轴承故障诊断中的应用[J]. 张俊红,李林洁,马文朋,李周裕,刘昱.  中国机械工程. 2013(11)
[4]基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法[J]. 胡爱军,马万里,唐贵基.  中国电机工程学报. 2012(11)
[5]滚动轴承故障信号的数学形态学提取方法[J]. 郝如江,卢文秀,褚福磊.  中国电机工程学报. 2008(26)



本文编号：3187328