报告详情
Application of adaptive feature mode decomposition based on synthetic index in fault feature extraction of rolling bearings
编号：136
访问权限：仅限参会人
更新：2024-10-23 10:02:34 浏览：154次
张贴报告
报告开始：暂无开始时间（Asia/Shanghai）
报告时间：暂无持续时间
所在会场：[暂无会议] [暂无会议段]
暂无文件
摘要
滚动轴承故障的初始迹象通常很微妙，很容易被背景噪声掩盖，这使得故障特征的提取具有挑战性。为了解决这个问题，准确表征轴承故障特征和伴随的噪声至关重要。本研究介绍了一种从滚动轴承中提取特征的新方法，利用称为复合特征模态分解 （CFMD） 的综合指数。最初，采用稀疏最大谐波噪声比反卷积 （SMHD） 算法来放大弱故障信号。该文提出一种新的综合评价指标，该指标结合了“余弦相似性、峰度和包络熵”，用于自适应地选择FMD的最优参数组合，并基于该指标过滤本征模态函数（IMF）。随后，为了提取更详细的故障特征，利用多尺度模糊熵 （MFE） 来量化每个有效 IMF 的故障特征，然后使用支持向量机 （SVM） 对其进行分类和识别。CFMD 方法的有效性通过对轴承失效数据的分析得到验证。与其他常用的诊断技术相比，该方法在提取轴承故障信息方面表现出卓越的准确性和有效性。
关键词
sparse maximum harmonic noise ratio deconvolution,feature mode decomposition,comprehensive evaluation index,weak fault feature extraction
报告人
暂无
稿件作者
全部评论
重要日期
-
会议日期
10月31日
2024
至11月03日
2024
-
09月30日 2024
初稿截稿日期
-
11月12日 2024
注册截止日期
主办单位
Anhui University
Xi’an Jiaotong University
Harbin Institute of Technology
IEEE Instrumentation & Measurement Society
Xi’an Jiaotong University
Harbin Institute of Technology
IEEE Instrumentation & Measurement Society
联系方式
- Mrs. icsmd
- ic******@163.com
发表评论