首页|基于广义变分模式分解的滚动轴承故障微弱特征提取

基于广义变分模式分解的滚动轴承故障微弱特征提取

Weak Feature Extraction of Rolling Bearing Fault Based on Generalized Variational Mode Decomposition

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对变分模式分解(Variational Mode Decomposition,VMD)算法在微弱特征分量按需提取方面存在的不足,提出采用广义变分模式分解(Generalized Variational Mode Decomposition,GVMD)算法提取滚动轴承故障微弱特征.GVMD算法具有优良的频域多尺度定频分解性能,算法频谱分解位置和频域分解尺度可由先验中心频率和尺度参数灵活控制,实现按需分解.仿真和实验分析结果表明,与VMD算法相比,GVMD算法能够充分利用轴承故障频率信息和带宽信息,按需准确提取轴承故障微弱特征分量;且具有较强的噪声鲁棒性.

郭燕飞、陈高华、王清华

展开 >

太原科技大学 电子信息工程学院, 山西 太原 030024

变分模式分解 滚动轴承故障 微弱信号提取 按需分解

山西省重点研发计划项目太原科技大学博士科研启动基金太原科技大学校教学改革创新项目

201903D12113720212038JG202286

2023

10.16578/j.issn.1004.2539.2023.05.023

机械传动
郑州机械研究所 中国机械通用零部件工业会齿轮分会 中国机械工程学会

机械传动

CSTPCD北大核心
影响因子：0.534
ISSN：1004-2539
年,卷(期)：2023.47(5)
  • 6