使用子搜索算法进行自适应特征提取-用于低速轴承故障诊断的变化模式分解
Bing Wang1, Haihong Tang1,2, Xiaojia Zu1
1School of Marine Engineering Equipment, Zhejiang Ocean University, Zhoushan 316022, China.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
本研究引入了自适应变化模式分解 (VMD) 方法,以改善低速轴承的故障诊断. 该方法有效地从噪声信号中提取弱故障特征,提高诊断准确度.
科学领域:
- 机械工程 机械工程
- 信号处理 信号处理
- 状态监控 状态监控
背景情况:
- 在低速时提取故障特征是具有挑战性的,因为信号较弱和环境噪音.
- 传统的变化模式分解 (VMD) 需要手动设置参数,限制其有效性.
研究的目的:
- 开发一个参数适应的VMD方法,用于在低速旋转机器中增强故障特征提取.
- 为了克服传统VMD中手动参数选择的局限性.
主要方法:
- 提出了一个参数适应的VMD方法,使用子搜索算法 (SSA).
- SSA优化VMD参数 (模式数量,惩罚因子) 基于平均信封.
- 内在模式函数 (IMFs) 被分解,使用kurtosis标准进行选择,并重建.
- 对重建的信号进行信封分析,用于故障诊断.
主要成果:
- 拟议的方法有效地减少了低速轴承故障信号中的噪声干扰.
- 实现了对故障特征频率及其波的准确提取.
- 与其他先进的信号处理方法相比,证明了卓越的性能.
结论:
- 参数适应的VMD方法显著改善了低速轴承故障的诊断.
- 这种方法为在杂的环境中识别微妙的故障标志提供了强大的解决方案.
更多相关视频
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
986
07:46Author Spotlight: Revolutionizing Remote Surgery with Augmented Reality and Robotics for Enhanced Precision and Accessibility
Published on: August 9, 2024
651
