基于改进CEEMDAN和TEO的轴承故障特征提取方法

发布时间：2021-05-20 18:16

　　故障特征的提取是检测与识别故障类型的关键。为优化自适应噪声完整集成经验模态分解（CEEMDAN）的降噪效果,提出一种基于综合评价模型（SDEA）改进的CEEMDAN降噪方法,优化CEEMDAN的去噪效果。该方法首先建立综合评定模型,然后通过峭度准则、相关系数筛选特征模态重构信号,由SDEA评价信号去噪效果。经过多次迭代,选择综合指标最高的迭代次数作为最优降噪信号,再利用能量贡献率选取最优降噪信号的IMF进行重构,最后通过Teager能量算子解调对信号进行包络谱分析,进而得到故障特征频率。实测数据证明,此方法能够准确提取故障特征频率,实现对故障信号的识别,且相较于现有方法可提高信噪比和运算效率。因此采用该方法可为早期轴承故障诊断提供一种有效的解决方案。 

【文章来源】：噪声与振动控制. 2020,40(02)CSCD

【文章页数】：6 页

【文章目录】：
1 改进的CEEMDAN去噪方法
    1.1 CEEMDAN基本原理
    1.2 建立SDEA综合指标评定模型
    1.3 基于SDEA的改进CEEMDAN去噪方法
    1.4 Teager能量算子解调
2 故障特征提取流程
3 实验验证
4 结语


【参考文献】：
期刊论文
[1]基于CEEMDAN-云模型特征熵和LSSVM的磨机负荷预测研究[J]. 蔡改贫,宗路,罗小燕,胡显能.  振动与冲击. 2019(07)
[2]基于改进EEMD和MED的滚动轴承早期故障诊断[J]. 邹朋,王会杰.  测控技术. 2019(03)
[3]基于SWD-AVDIF的齿轮箱复合故障诊断方法[J]. 李娟,程军圣,黄祝庆,卿宏军.  噪声与振动控制. 2019(01)
[4]基于波分析法的L型结构弯-扭耦合振动研究[J]. 沈轻舟,车驰东.  振动与冲击. 2018(24)
[5]基于卷积神经网络和离散小波变换的滚动轴承故障诊断[J]. 陈仁祥,黄鑫,杨黎霞,汤宝平,余腾伟,周君.  振动工程学报. 2018(05)
[6]小波包能量熵与EMD结合分析法在风机滚动轴承故障诊断中的应用[J]. 吕明珠,苏晓明,陈长征,刘世勋.  机械与电子. 2018(06)
[7]用小波变换对ECG信号进行去噪研究[J]. 彭自然,王国军.  信号处理. 2017(08)
[8]基于改进的EEMD-Hilbert包络解调轴箱轴承故障诊断[J]. 师蔚,刘霄.  测控技术. 2017(02)
[9]基于MCKD-EMD的风电机组轴承早期故障诊断方法[J]. 赵洪山,李浪.  电力自动化设备. 2017(02)
[10]滚动轴承故障特征提取的EMD-频谱自相关方法[J]. 万书亭,詹长庚,豆龙江.  振动.测试与诊断. 2016(06)



本文编号：3198215