首页|自适应MCKD和ALIF的滚动轴承早期故障诊断

自适应MCKD和ALIF的滚动轴承早期故障诊断

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对滚动轴承故障信号冲击成分能量往往较低,故障特征频率难以提取以及最大相关峭度反褶积(Maximum Cor-relation Kurtosis Deconvolution,MCKD)降噪效果受限于滤波器L和位移数M等问题,提出了一种自适应最大相关峭度反褶积和自适应局部迭代滤波(Adaptive Local Iterative Filter,ALIF)的滚动轴承故障特征提取方法.以排列熵为标准,应用步长搜寻法确定最佳的MCKD滤波器的长度和位移数,对采集的振动信号进行降噪预处理,突出被噪声所淹没的故障冲击;然后应用ALIF算法对降噪后的信号自适应分解为一组固有模态函数(IMF)分量,利用最大峭度准则选取包含故障信息量最大的分量,即敏感分量;最后对敏感分量进行包络谱分析,提取故障特征频率.仿真和试验分析结果证明了该方法的有效性和准确性.
Adaptive MCKD and ALIF Scrolling Early Baring Fault Diagnosis

袁邦盛、肖涵、易灿灿

展开 >

冶金装备及其控制教育部重点实验室,武汉科技大学,湖北武汉 430081

湖北省机械传动与制造重点实验室,武汉科技大学,湖北武汉 430081

滚动轴承 最大相关峭度解卷积 自适应局部迭代滤波 故障特征频率

国家自然科学基金

51805382

2022

机械设计与制造
辽宁省机械研究院

机械设计与制造

CSTPCD北大核心
影响因子：0.511
ISSN：1001-3997
年,卷(期)：2022.374(4)
  • 1
  • 8