基于ARLMD和IMOMEDA的滚动轴承早期微弱故障诊断
为实现强噪声干扰下滚动轴承早期微弱故障损伤特征的准确识别,提出一种自适应鲁棒局部均值分解(adaptive robust local mean decomposition,ARLMD)和改进多点最优最小熵解卷积(improved multipoint optimal minimum entropy deconvolution adjusted,IMOMEDA)相融合的诊断新方法.首先,利用基于斯皮尔曼相关系数的ARLMD算法对原始信号进行处理,按照线性峭度(L-kurtosis)最大原则筛选出蕴含丰富故障信息的最佳分量,实现原始信号信噪比的有效提升;然后,针对多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution ad?justed,MOMEDA)效果受滤波长度影响较大的特点,提出基于余量自相关能量比(residual auto?correlation energy ratio,RAER)的最优滤波长度选取策略,对最佳分量进行IMOMEDA处理,实现周期性冲击特征强化放大;最后,计算解卷积信号的包络谱,从中提取出特征频率信息.仿真、实验及工程信号分析结果表明,所提方法可有效提取强噪声下的微弱故障特征,实现轴承损伤的精确诊断.
滚动轴承、早期故障、鲁棒局部均值分解、解卷积、余量自相关能量比
42
TH133;TG506
国家自然科学基金;河北省自然科学基金资助项目;河北省自然科学基金资助项目;中央高校基本科研业务费专项资金资助项目
2023-03-06(万方平台首次上网日期,不代表论文的发表时间)
共14页
102-115