針對強(qiáng)噪聲背景下滾動軸承早期微弱故障信號經(jīng)驗?zāi)B(tài)分解問題,提出了一種基于級聯(lián)自適應(yīng)分段線性隨機(jī)共振系統(tǒng)降噪的經(jīng)驗?zāi)B(tài)分解方法。該方法依賴于級聯(lián)自適應(yīng)分段線性隨機(jī)共振系統(tǒng)優(yōu)良的降噪特性,首先對含噪信號進(jìn)行降噪處理,然后再進(jìn)行經(jīng)驗?zāi)B(tài)分解。通過對軸承故障仿真信號和滾動軸承實驗信號的分析,結(jié)果表明該方法能有效濾除高頻噪聲,減少經(jīng)驗?zāi)B(tài)分解階數(shù),提高經(jīng)驗?zāi)B(tài)分解的質(zhì)量,實現(xiàn)強(qiáng)噪聲背景下滾動軸承早期微弱故障特征提取。 

【文章來源】：振動工程學(xué)報. 2020,33(03)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1 分段線性模型勢函數(shù)

圖2 分段線性隨機(jī)共振系統(tǒng)結(jié)構(gòu)框圖

將若干個圖2所示的分段線性隨機(jī)共振系統(tǒng)進(jìn)行串聯(lián)相連，即可構(gòu)成圖4所示的級聯(lián)分段線性隨機(jī)共振系統(tǒng)。原始信號經(jīng)過每級分段線性隨機(jī)共振系統(tǒng)處理后，都進(jìn)行EMD分解，并判斷分解結(jié)果的第1階IMF是否為特征信號頻率。若是，則停止級聯(lián)運算，否則繼續(xù)進(jìn)行級聯(lián)運算，直到特征信號頻率出現(xiàn)在分解結(jié)果的第1階IMF中。通過這種級聯(lián)形式，可以促使待測信號中的高頻能量不斷地向低頻轉(zhuǎn)移。因此，原始信號得以充分降噪。通過量子粒子群算法，使得每級系統(tǒng)輸出均達(dá)到最佳隨機(jī)共振，直到高頻噪聲能量幾乎全部轉(zhuǎn)移到低頻特征信號中，從而保證特征信號頻率出現(xiàn)在EMD分解結(jié)果的第1階IMF中，則級聯(lián)分段線性系統(tǒng)輸出最佳響應(yīng)xP(t），此過程被稱為級聯(lián)自適應(yīng)分段線性系統(tǒng)的隨機(jī)共振（Cascaded Adaptive Piecewise-Linear Stochastic Resonance,CAPLSR）。圖4 級聯(lián)分段線性隨機(jī)共振系統(tǒng)結(jié)構(gòu)框圖


本文編號：3142341