首页|CEEMDAN和改进多尺度熵的声音信号故障诊断

CEEMDAN和改进多尺度熵的声音信号故障诊断

扫码查看
原文链接
  • 万方数据
  • 维普
声音信号采集具有非接触测量的优点,但易受到附近声源的影响而含有较大噪声,不利于故障特征识别.为此,提出一种自适应噪声的完全集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和改进多尺度熵的声音信号故障诊断方法.该方法中CEEMDAN改善了 EEMD(Ensemble Empirical Mode Decomposition,EEMD)的模态混叠,针对传统多尺度熵中粗粒时间序列长度不同和数据丢失的情况,提出一种平滑粗粒化处理的改进多尺度熵.将该方法应用于行星齿轮箱故障诊断中,可以对不同状态下的声音信号进行识别分类.通过数值仿真和实验数据分析,表明了提出的方法相对于其他方法的有效性和优越性.
Fault Diagnosis of Sound Signal Based on CEEMDAN and IMSE

付国梓、吕勇

展开 >

武汉科技大学机械自动化学院,湖北武汉 430081

自适应噪声的完全集成经验模态分解 改进多尺度熵 平滑粗粒化 故障诊断

国家自然科学基金

51875416

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)：2022.375(5)
  • 6
  • 5