ALIF-NLM轴承微弱故障特征提取方法

TH133.33; 针对强噪声背景下滚动轴承早期微弱故障特征难以提取的问题,结合自适应局部迭代滤波(Adaptive Local Iterative Filter,ALIF)和非局部均值(Non-Local Means,NLM)去噪方法的优势,提出了一种ALIF-NLM轴承微弱故障特征提取方法.首先,构建了加权峭度-能量比准则来筛选ALIF分解的本征模态函数(Intrinsic Mode Function,IMF)分量并重构信号.其次,结合峭度对冲击信号的敏感性同能量熵对信号能量分布均匀性和复杂程度的评价性能构建最小能量熵-峭度比指标,并以该指标为适应度函数,利用粒子群优化(Particle...

Full description

Saved in:
Bibliographic Details
Published in机械强度 Vol. 46; no. 5; pp. 1026 - 1035
Main Authors 汪应, 宋宇博, 朱大鹏
Format Journal Article
LanguageChinese
Published 兰州交通大学 机电技术研究所,兰州 730070%兰州交通大学 交通运输学院,兰州 730070 2024
Subjects
强噪声
自适应局部迭代滤波
滚动轴承
粒子群优化
非局部均值去噪
微弱特征提取
ALIF
Strong noise
Particle swarm optimization
Rolling bearing
NLM
Weak feature extraction
Online AccessGet full text
ISSN1001-9669
DOI10.16579/j.issn.1001.9669.2024.05.002

Cover

More Information
Summary:TH133.33; 针对强噪声背景下滚动轴承早期微弱故障特征难以提取的问题,结合自适应局部迭代滤波(Adaptive Local Iterative Filter,ALIF)和非局部均值(Non-Local Means,NLM)去噪方法的优势,提出了一种ALIF-NLM轴承微弱故障特征提取方法.首先,构建了加权峭度-能量比准则来筛选ALIF分解的本征模态函数(Intrinsic Mode Function,IMF)分量并重构信号.其次,结合峭度对冲击信号的敏感性同能量熵对信号能量分布均匀性和复杂程度的评价性能构建最小能量熵-峭度比指标,并以该指标为适应度函数,利用粒子群优化(Particle Swarm Optimization,PSO)算法实现了NLM方法中参数组合的自适应选取.最后,利用自适应NLM对重构信号进行故障特征提取.仿真和试验分析结果表明,该方法能有效提取出强噪声背景下的滚动轴承微弱故障特征信息.
ISSN:1001-9669
DOI:10.16579/j.issn.1001.9669.2024.05.002