首页|改进辛几何模态分解的滚动轴承故障特征提取

改进辛几何模态分解的滚动轴承故障特征提取

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对滚动轴承故障冲击信号难以提取的问题,提出了一种改进辛几何模态分解(Improved Symplectic Geometry Modal Decomposition,ISGMD)滚动轴承故障特征提取方法.首先将振动信号进行辛几何模态分解,然后,利用k均值聚类的方法对分解得到的辛几何分量进行聚类,通过包络谱稀疏度指标筛选出故障特征明显的聚类辛几何分量(Cluster Symplectic Geometry Component,CSGC)并进行重构,对重构分量进行包络解调,提取出故障特征.将该方法运用到轴承故障仿真和实验信号,结果表明,这里提出的方法能够有效提取出滚动轴承故障特征.
Fault Feature Extraction of Rolling Bearing Based on Improved Symplectic Geometric Modal Decomposition

k-Means ClusteringISGMDRolling BearingFault Feature Extraction

李加伟、张永祥、刘树勇、赵磊

展开 >

海军工程大学动力工程学院,湖北 武汉 430033

k均值聚类 改进辛几何模态分解 滚动轴承 故障特征提取

国家自然科学基金

51579242

2023

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)：2023.392(10)
  • 1
  • 5