Application of adaptive feature mode decomposition based on synthetic index in fault feature extraction of rolling bearings
ID：136
Submission ID：66 View Protection：ATTENDEE
Updated Time：2024-10-23 10:02:34 Hits：34
Poster Presentation
Start Time：Pending （Asia/Shanghai）
Duration：Pending
Session：[No Session] » [No Session Block]
No files
Abstract
滚动轴承故障的初始迹象通常很微妙，很容易被背景噪声掩盖，这使得故障特征的提取具有挑战性。为了解决这个问题，准确表征轴承故障特征和伴随的噪声至关重要。本研究介绍了一种从滚动轴承中提取特征的新方法，利用称为复合特征模态分解 （CFMD） 的综合指数。最初，采用稀疏最大谐波噪声比反卷积 （SMHD） 算法来放大弱故障信号。该文提出一种新的综合评价指标，该指标结合了“余弦相似性、峰度和包络熵”，用于自适应地选择FMD的最优参数组合，并基于该指标过滤本征模态函数（IMF）。随后，为了提取更详细的故障特征，利用多尺度模糊熵 （MFE） 来量化每个有效 IMF 的故障特征，然后使用支持向量机 （SVM） 对其进行分类和识别。CFMD 方法的有效性通过对轴承失效数据的分析得到验证。与其他常用的诊断技术相比，该方法在提取轴承故障信息方面表现出卓越的准确性和有效性。
Keywords
sparse maximum harmonic noise ratio deconvolution,feature mode decomposition,comprehensive evaluation index,weak fault feature extraction
Speaker
Submission Author
All comments
15th August 2024 31st August 2024- Manuscript Submission
15th September 2024 - Acceptance Notification
1st October 2024 - Camera Ready Submission
1st October 2024 – Early Bird Registration
Contact Us
Website:
https://icsmd2024.aconf.org/
Comment submit