基于新型健康指标的自适应特征模态分解用于轴承故障诊断
信号处理
2024-03-20 v1
摘要
由于轴承振动信号的非平稳特性和低信噪比，其振动分析至关重要。因此，本文提出了一种基于提取单值中智交叉熵（SVNCE）的轴承缺陷检测新方案来解决此问题。首先，利用人工蜂鸟算法（AHA），基于新开发的健康指标（HI），即稀疏冲击度量指标（SIMI），优化特征模态分解（FMD）的参数，使其自适应化。该健康指标同时确保了完全的稀疏性和冲击特性。原始信号通过自适应 FMD 在其参数最优值下分解为不同模态。计算这些模态在不同健康状态下的能量。基于能量特征值确定能量区间范围，然后将其转换为未知缺陷条件下的单值中智集（SVNSs）。最小参数原则利用测试样本（来自未知轴承状态）的 SVNSs 与训练样本（来自已知轴承状态）的 SVNSs 之间的最小 SVNCE 值来识别轴承中的不同缺陷。研究发现，所提出的方法能更有效地识别各种轴承缺陷。
引用
@article{arxiv.2403.12586,
title = {An Adaptive feature mode decomposition based on a novel health indicator for bearing fault diagnosis},
author = {Sumika Chauhan and Govind Vashishtha and Rajesh Kumar and Radoslaw Zimroz and Pradeep Kundu},
journal= {arXiv preprint arXiv:2403.12586},
year = {2024}
}