故障特征的提取是檢測與識別故障類型的關(guān)鍵。為優(yōu)化自適應(yīng)噪聲完整集成經(jīng)驗?zāi)B(tài)分解（CEEMDAN）的降噪效果,提出一種基于綜合評價模型（SDEA）改進的CEEMDAN降噪方法,優(yōu)化CEEMDAN的去噪效果。該方法首先建立綜合評定模型,然后通過峭度準則、相關(guān)系數(shù)篩選特征模態(tài)重構(gòu)信號,由SDEA評價信號去噪效果。經(jīng)過多次迭代,選擇綜合指標(biāo)最高的迭代次數(shù)作為最優(yōu)降噪信號,再利用能量貢獻率選取最優(yōu)降噪信號的IMF進行重構(gòu),最后通過Teager能量算子解調(diào)對信號進行包絡(luò)譜分析,進而得到故障特征頻率。實測數(shù)據(jù)證明,此方法能夠準確提取故障特征頻率,實現(xiàn)對故障信號的識別,且相較于現(xiàn)有方法可提高信噪比和運算效率。因此采用該方法可為早期軸承故障診斷提供一種有效的解決方案。 

【文章來源】：噪聲與振動控制. 2020,40(02)CSCD

【文章頁數(shù)】：6 頁

【文章目錄】：
1 改進的CEEMDAN去噪方法
    1.1 CEEMDAN基本原理
    1.2 建立SDEA綜合指標(biāo)評定模型
    1.3 基于SDEA的改進CEEMDAN去噪方法
    1.4 Teager能量算子解調(diào)
2 故障特征提取流程
3 實驗驗證
4 結(jié)語


【參考文獻】：
期刊論文
[1]基于CEEMDAN-云模型特征熵和LSSVM的磨機負荷預(yù)測研究[J]. 蔡改貧,宗路,羅小燕,胡顯能.  振動與沖擊. 2019(07)
[2]基于改進EEMD和MED的滾動軸承早期故障診斷[J]. 鄒朋,王會杰.  測控技術(shù). 2019(03)
[3]基于SWD-AVDIF的齒輪箱復(fù)合故障診斷方法[J]. 李娟,程軍圣,黃祝慶,卿宏軍.  噪聲與振動控制. 2019(01)
[4]基于波分析法的L型結(jié)構(gòu)彎-扭耦合振動研究[J]. 沈輕舟,車馳東.  振動與沖擊. 2018(24)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)和離散小波變換的滾動軸承故障診斷[J]. 陳仁祥,黃鑫,楊黎霞,湯寶平,余騰偉,周君.  振動工程學(xué)報. 2018(05)
[6]小波包能量熵與EMD結(jié)合分析法在風(fēng)機滾動軸承故障診斷中的應(yīng)用[J]. 呂明珠,蘇曉明,陳長征,劉世勛.  機械與電子. 2018(06)
[7]用小波變換對ECG信號進行去噪研究[J]. 彭自然,王國軍.  信號處理. 2017(08)
[8]基于改進的EEMD-Hilbert包絡(luò)解調(diào)軸箱軸承故障診斷[J]. 師蔚,劉霄.  測控技術(shù). 2017(02)
[9]基于MCKD-EMD的風(fēng)電機組軸承早期故障診斷方法[J]. 趙洪山,李浪.  電力自動化設(shè)備. 2017(02)
[10]滾動軸承故障特征提取的EMD-頻譜自相關(guān)方法[J]. 萬書亭,詹長庚,豆龍江.  振動.測試與診斷. 2016(06)



本文編號：3198215