基于改进EMD与FastICA—样本熵的齿轮故障特征提取方法

论文摘要

针对齿轮常见故障及信号在传统EMD算法分解中产生的端点效应,提出一种基于改进经验模态分解(EMD)与快速独立分量分析(FastICA)—样本熵的齿轮故障特征提取方法。首先对信号进行EMD分解,得到一系列IMF分量和残余量,在此过程中通过匹配差别最小的极值包络线段确定端点处极值,然后从每个信号中分别选取周期性明显的分量与原始信号组成混合信号作为FastICA的输入,获得ICA计算后的分量,最后分别计算EMD分量与各独立分量的样本熵。实验结果表明,改进后的EMD算法可以有效改善端点效应问题,并通过与EMD—样本熵的对比,表明FastICA—样本熵能更明显、稳定地反映齿轮故障,因此可作为一种有效的故障特征。

论文目录

• 0 引言
• 1 改进EMD算法
•   1.1 算法介绍
•   1.2 仿真分析
• 2 FastICA
• 3 样本熵
•   3.1 样本熵计算
•   3.2 参数选取
• 4 FastICA—样本熵特征提取算法流程
• 5 实验分析
• 6 结语

文章来源

类型: 期刊论文

作者: 吕同昕

关键词: 端点效应,样本熵,齿轮故障特征提取

来源: 软件导刊 2019年08期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 机械工业

单位: 山东科技大学计算机科学与工程学院

基金: 国家重点研发计划项目(2017YFC0804406),山东省重点研发计划项目(2016ZDJS02A05)

分类号: TH132.41

页码: 154-158

总页数: 5

文件大小: 2036K

下载量: 147