本文選題：滾動軸承 + 最大相關(guān)峭度解卷積　； 參考：《振動與沖擊》2017年20期

【摘要】：針對滾動軸承早期故障特征非常微弱,易受隨機噪聲和其他信號干擾而難以提取等現(xiàn)象,提出了用最大相關(guān)峭度解卷積(Maximum Correlated Kurtosis Deconvolution,MCKD)和變分模態(tài)分解(Variational Mode Decomposition,VMD)相結(jié)合的方法提取滾動軸承故障特征。首先用MCKD進行信號增強,然后利用VMD得到一系列模態(tài),應(yīng)用互相關(guān)系數(shù)和峭度準則篩選包含故障信息較為豐富的模態(tài)進行重構(gòu)降噪,最后對重構(gòu)信號進行包絡(luò)解調(diào)提取故障特征。通過仿真分析和軸承故障模擬實驗驗證了該方法的有效性,可以精確地分離軸承故障振動信號的不同頻率成分。
[Abstract]:The early fault characteristics of rolling bearings are very weak and difficult to extract due to random noise and other signal interference. The maximum Correlated Kurtosis Deconvolution (MCKD) and variational Mode decomposition (VMD) are used to extract the fault features of rolling bearings. Firstly, the signal is enhanced by MCKD, then a series of modes are obtained by using VMD, and the modes with abundant fault information are selected by using the correlation number and kurtosis criterion to reconstruct and reduce the noise. Finally, the fault features are extracted by envelope demodulation. The effectiveness of this method is verified by simulation analysis and bearing fault simulation experiments, and the different frequency components of bearing fault vibration signals can be accurately separated.
【作者單位】： 軍事交通學(xué)院軍用車輛工程技術(shù)研究中心;
【分類號】：TH133.33

【相似文獻】

相關(guān)博士學(xué)位論文 前3條

1 李永波;滾動軸承故障特征提取與早期診斷方法研究[D];哈爾濱工業(yè)大學(xué);2017年

2 王曉龍;基于振動信號處理的滾動軸承故障診斷方法研究[D];華北電力大學(xué)(北京);2017年

3 劉尚坤;基于振動信號處理的旋轉(zhuǎn)機械故障診斷方法研究[D];華北電力大學(xué)(北京);2017年

相關(guān)碩士學(xué)位論文 前2條

1 馬艷麗;基于全矢MEMD的滾動軸承狀態(tài)退化研究[D];鄭州大學(xué);2017年

2 金兵;基于信息融合與VPMCD的滾動軸承智能診斷研究[D];鄭州大學(xué);2017年

，

本文編號：1947601