最小熵解卷积法轮对轴承故障诊断

被引:7
作者
王晗 [1 ]
何刘 [2 ]
机构
[1] 中国南车股份有限公司中央研究院
[2] 西南交通大学牵引动力国家重点实验室
关键词
轮对轴承; 最小熵解卷积; 包络谱; 故障诊断;
D O I
暂无
中图分类号
TH133.3 [轴承];
学科分类号
082805 [农业机械化与装备工程];
摘要
针对强噪声下轮对轴承弱故障特征难以提取,以及在实际信号检测中检测信号在故障点到检测点的传播路径中有变形和失真导致实际采集信号成分复杂难以判别的问题,提出基于最小熵解卷积的轴承故障诊断方法。该方法的核心是利用熵最小原理设计最优滤波器,突出信号中的脉冲冲击,使滤波后信号近似于原始冲击信号,消除检测中传递路径对信号的干扰,对解卷积后的信号做包络谱分析达到轮对轴承故障诊断的目的。通过实验分析,基于最小熵解卷积的轴承故障诊断方法能很好突出冲击脉冲,在包络谱中能够准确检测到故障的基频和高次谐波。
引用
收藏
页码:114 / 120
页数:7
相关论文
共 10 条
[1]
基于最大相关峭度反褶积的轴承故障诊断方法 [J].
武兵 ;
贾峰 ;
熊晓燕 .
振动测试与诊断., 2014, 34 (03) :570-575+597
[2]
基于SVD降噪和谱峭度的滚动轴承故障诊断 [J].
孟智慧 ;
王昌 .
轴承, 2013, (10) :52-55
[3]
基于MED的滚动轴承故障特征提取方法及其应用 [J].
姚炽伟 ;
樊新海 ;
黄梦 .
装甲兵工程学院学报, 2013, 27 (03) :35-38
[4]
基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取 [J].
王宏超 ;
陈进 ;
董广明 .
机械工程学报, 2013, 49 (01) :88-94
[5]
基于Teager能量算子的滚动轴承故障诊断研究 [J].
王天金 ;
冯志鹏 ;
郝如江 ;
褚福磊 .
振动与冲击, 2012, 31 (02) :1-5+85
[6]
基于LMD与神经网络的滚动轴承故障诊断方法 [J].
程军圣 ;
史美丽 ;
杨宇 .
振动与冲击, 2010, 29 (08) :141-144+248
[7]
滚动轴承故障的EMD诊断方法研究 [J].
高强 ;
杜小山 ;
范虹 ;
孟庆丰 .
振动工程学报, 2007, (01) :15-18
[8]
The enhancement of fault detection and diagnosis in rolling element bearings using minimum entropy deconvolution combined with spectral kurtosis [J].
Sawalhi, N. ;
Randall, R. B. ;
Endo, H. .
MECHANICAL SYSTEMS AND SIGNAL PROCESSING, 2007, 21 (06) :2616-2633
[9]
Enhancement of autoregressive model based gear tooth fault detection technique by the use of minimum entropy deconvolution filter.[J].H. Endo;R.B. Randall.Mechanical Systems and Signal Processing.2006, 2
[10]
基于最小熵解卷积的滚动轴承故障诊断研究 [D]. 
江瑞龙 .
上海交通大学,
2013