Rolling element bearing weak fault diagnosis based on optimal wavelet scale cyclic frequency extraction
Rolling element bearing weak fault diagnosis based on optimal wavelet scale cyclic frequency extraction
复制标题
基于最优小波尺度循环频率提取的滚动轴承弱故障诊断
DOI：
10.1177/0959651818766814
复制
发表时间：
2018-04
期刊：
影响因子：
--
通讯作者：
Li Hongkun
中科院分区：
文献类型：
--
作者：
Yang Rui;Li Hongkun
滚动轴承故障特征信息在二阶循环平稳信号内。但是，它容易受到噪声干扰。提出了一种基于循环周期图的滚动轴承早期故障特征提取方法。利用循环平稳理论对小波变换系数进行处理和分析。因此，小波变换系数中包含了隐含的循环特性。因此，使用小波变换系数的模或包络代替循环统计量的计算，可以避免窗函数长度的选择，同时保持计算速率。此外，将相关峰度的计算引入到频域中来选择最佳小波尺度。相关峰度越大，小波系数的周期冲击特性越强。在最佳小波尺度范围内计算循环频率，可以准确提取微弱故障特征信息。数据处理结果表明，该方法在提取滚动轴承微弱故障特征方面优于现有的循环平稳信号分析方法。
Rolling element bearing fault characteristic information is within the second-order cyclic stationary signal. However, it is susceptible to noise interference. In this article, a new method is proposed for rolling element bearing early fault characteristic extraction according to the cyclic periodogram method. The wavelet transform coefficients are processed and analyzed using the cyclostationary theory. As a result, the implicit cyclic characteristics are contained in wavelet transform coefficients. Therefore, using the modulus or envelope of wavelet transform coefficients instead of the calculation of the cyclic statistics can avoid the window function length selection while maintaining the computation rate. In addition, the calculation of correlated kurtosis is introduced into frequency domain to select optimal wavelet scales. The larger the correlated kurtosis, the stronger the cycle impact characteristic in wavelet coefficients. Calculating the cyclic frequency in the optimal wavelet scale range can accurately extract the weak fault characteristic information. The data processing results demonstrated that the proposed method outperforms existing cyclostationary signal analysis methods in weak fault feature extraction for rolling element bearing.
登录
查看更多内容
基于同步平均重构小波尺度图的滚动轴承早期故障信息判定
影响因子：
5.6
作者：
Hongkun Li;Fujian Xu;Hongyi Liu;Xuefeng Zhang
通讯作者：
Xuefeng Zhang
影响因子：
8.3
作者：
E. Lihovd;T. Johannessen;C. Steinebach;M. Rasmussen
通讯作者：
E. Lihovd;T. Johannessen;C. Steinebach;M. Rasmussen
DOI：
--
发表时间：
2013-01
期刊：
ArXiv
影响因子：
--
作者：
W. Ghezaiel;A. Rahmouni;E. B. Braiek
通讯作者：
W. Ghezaiel;A. Rahmouni;E. B. Braiek
DOI：
10.1109/tnnls.2014.2342533
发表时间：
2015-07-01
影响因子：
10.4
作者：
Gu, Bin;Sheng, Victor S.;Li, Shuo
通讯作者：
Li, Shuo
通过相关表示学习进行跨异构数据库年龄估计
影响因子：
6
作者：
Tian, Qing;Chen, Songcan
通讯作者：
Chen, Songcan