基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
在实际工况下,轴承的早期故障信号与强噪声信号相比属于微弱信号,而轴承的早期故障特征从强噪声环境中提取出来一直是故障诊断课题的一大难点.基于上述问题,提出一种基于MS(Mask Signal)和EEMD(Ensemble Empirical Mode Decomposition)方法的滚动轴承微弱故障提取方法.由于EEMD方法在噪声背景下分解出的IMF分量存在模态混叠现象,很难辨别故障频率的真伪,所以引入掩膜信号法对分解出的IMF分量进行处理,抑制虚假频率,将故障频率提取出来.通过将掩膜信号法与EEMD方法相结合的方式,对存在噪声的故障信号进行处理,提取出故障特征.
推荐文章
基于EEMD和小波包分解在滚动轴承故障信息提取中的分析对比
滚动轴承
经验模态分解
小波包分解
特征提取
基于CYCBD和包络谱的滚动轴承微弱故障特征提取
滚动轴承
最大2阶循环平稳盲解卷积
微弱故障
特征提取
基于EEMD 和改进VPMCD 的滚动轴承故障诊断方法
改进VPMCD
EEMD方法
奇异值分解
滚动轴承
故障诊断
基于自适应遗传随机共振的滚动轴承微弱故障诊断
微弱故障
滚动轴承
随机共振
遗传算法
SAE网络
实验验证
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于MS-EEMD的滚动轴承微弱故障提取研究
来源期刊 噪声与振动控制 学科 工学
关键词 振动与波 强噪声 掩膜法 总体平均经验模态分解 故障诊断
年,卷(期) 2018,(3) 所属期刊栏目 信号处理与故障诊断
研究方向 页码范围 152-156
页数 5页 分类号 TP17|TP206
字数 2348字 语种 中文
DOI 10.3969/j.issn.1006-1355.2018.03.029
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 王日俊 中北大学机械工程学院 20 35 4.0 4.0
2 张纪平 中北大学机械工程学院 35 55 5.0 7.0
3 寇彦飞 中北大学机械工程学院 17 30 3.0 4.0
4 王志坚 中北大学机械工程学院 25 55 4.0 6.0
5 吴文轩 中北大学机械工程学院 11 27 3.0 5.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (44)
共引文献  (138)
参考文献  (11)
节点文献
引证文献  (1)
同被引文献  (5)
二级引证文献  (0)
2000(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(4)
  • 参考文献(1)
  • 二级参考文献(3)
2006(3)
  • 参考文献(0)
  • 二级参考文献(3)
2007(8)
  • 参考文献(0)
  • 二级参考文献(8)
2008(2)
  • 参考文献(0)
  • 二级参考文献(2)
2009(3)
  • 参考文献(0)
  • 二级参考文献(3)
2010(5)
  • 参考文献(1)
  • 二级参考文献(4)
2011(6)
  • 参考文献(0)
  • 二级参考文献(6)
2012(5)
  • 参考文献(2)
  • 二级参考文献(3)
2013(7)
  • 参考文献(0)
  • 二级参考文献(7)
2014(6)
  • 参考文献(2)
  • 二级参考文献(4)
2015(4)
  • 参考文献(4)
  • 二级参考文献(0)
2016(1)
  • 参考文献(1)
  • 二级参考文献(0)
2018(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2019(1)
  • 引证文献(1)
  • 二级引证文献(0)
研究主题发展历程
节点文献
振动与波
强噪声
掩膜法
总体平均经验模态分解
故障诊断
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
噪声与振动控制
双月刊
1006-1355
31-1346/TB
大16开
上海市华山路1954号上海交通大学
4-672
1981
chi
出版文献量(篇)
4977
总下载数(次)
4
总被引数(次)
36734
论文1v1指导