文献类型：期刊文章

作　　者：马增强[1] 张俊甲[1] 张安[1] 阮婉莹[1]

MA Zengqiang;ZHANG Junjia;ZHANG An;RUAN Wanying(School of Electrical and Electronic Engineering,Shijiazhuang Railway University,Shijiazhuang 050043,China)

机构地区：[1]石家庄铁道大学电气与电子工程学院,石家庄050043

出　　处：《振动与冲击》

基　　金：国家自然科学基金(U1534204;11372199;11572206);河北省自然科学基金(A2014210142)

年　　份：2018

卷　　号：37

期　　号：17

起止页码：210-217

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对滚动轴承早期故障信息微弱,频率切片小波变换(FSWT)在强背景噪声中提取故障特征的不足,提出变分模态分解(VMD)奇异值分解(SVD)联合降噪与FSWT相结合的故障特征提取方法,首先利用VMD故障信号自适应分解为若干本征模态分量(IMF),通过峭度准则选择包含故障信息最丰富的IMF进行信号重构,其次利用SVD对重构信号进行再次降噪,提高信噪比。最后对降噪信号进行FSWT,凸显故障信号的时频分布信息提取故障特征。仿真信号和实际数据分析结果表明,该方法有效消除了噪声的影响,能够清晰提取故障信号的特征频率,实现滚动轴承故障的精准识别。

关 键 词：滚动轴承 变模态分解  奇异值分解 频率切片小波变换  故障特征提取

分 类 号：TH165.3]